Strategies to achieve adequate vitamin A intake for young children: options for Cameroon
Notice bibliographique
Résumé
Meeting children's vitamin A (VA) needs remains a policy priority. Doing so efficiently is a fiscal imperative and protecting at-risk children during policy transitions is a moral imperative. Using the Micronutrient Intervention Modeling tool and data for Cameroon, we predict the impacts and costs of alternative VA intervention programs, identify the least-cost strategy for meeting targets nationally, and compare it to a business-as-usual (BAU) strategy over 10 years. BAU programs effectively cover ∼12.8 million (m) child-years (CY) and cost ∼$30.1 m; ∼US$2.34 per CY effectively covered. Improving the VA-fortified oil program, implementing a VA-fortified bouillon cube program, and periodic VA supplements (VAS) in the North macroregion for 3 years effectively cover ∼13.1 m CY at a cost of ∼US$9.5 m, or ∼US$0.71 per CY effectively covered. The tool then identifies a sequence of subnational policy choices leading from the BAU toward the more efficient strategy, while addressing VA-attributable mortality concerns. By year 4, fortification programs are predicted to eliminate inadequate VA intake in the South and Cities macroregions, but not the North, where VAS should continue until additional delivery platforms are implemented. This modeling approach offers a concrete example of the strategic use of data to follow the Global Alliance for VA framework and do so efficiently.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».