Early life risk factors of motor, cognitive and language development: a pooled analysis of studies from low/middle-income countries
Notice bibliographique
Résumé
OBJECTIVE: To determine the magnitude of relationships of early life factors with child development in low/middle-income countries (LMICs). DESIGN: Meta-analyses of standardised mean differences (SMDs) estimated from published and unpublished data. DATA SOURCES: We searched Medline, bibliographies of key articles and reviews, and grey literature to identify studies from LMICs that collected data on early life exposures and child development. The most recent search was done on 4 November 2014. We then invited the first authors of the publications and investigators of unpublished studies to participate in the study. ELIGIBILITY CRITERIA FOR SELECTING STUDIES: Studies that assessed at least one domain of child development in at least 100 children under 7 years of age and collected at least one early life factor of interest were included in the study. ANALYSES: Linear regression models were used to assess SMDs in child development by parental and child factors within each study. We then produced pooled estimates across studies using random effects meta-analyses. RESULTS: We retrieved data from 21 studies including 20 882 children across 13 LMICs, to assess the associations of exposure to 14 major risk factors with child development. Children of mothers with secondary schooling had 0.14 SD (95% CI 0.05 to 0.25) higher cognitive scores compared with children whose mothers had primary education. Preterm birth was associated with 0.14 SD (-0.24 to -0.05) and 0.23 SD (-0.42 to -0.03) reductions in cognitive and motor scores, respectively. Maternal short stature, anaemia in infancy and lack of access to clean water and sanitation had significant negative associations with cognitive and motor development with effects ranging from -0.18 to -0.10 SDs. CONCLUSIONS: Differential parental, environmental and nutritional factors contribute to disparities in child development across LMICs. Targeting these factors from prepregnancy through childhood may improve health and development of children.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,019 | 0,048 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».