Impact of Dietary Interventions during Pregnancy on Maternal, Neonatal, and Child Outcomes in Low- and Middle-Income Countries
Notice bibliographique
Résumé
Optimal nutrition plays a crucial role in pregnancy. Maternal malnutrition is a risk factor for maternal, fetal, and neonatal complications and is more prevalent in low and middle-income countries (LMICs). This review aims to study the effectiveness of antenatal macronutrient nutritional interventions on maternal, neonatal, and child outcomes. We searched the CENTRAL, PubMed, Embase, and other databases for randomized controlled trials and quasi-experimental designs on healthy pregnant women in LMICs. We also searched grey literature and reports from Google Scholar, Web of Science, and websites of different organizations. Title/abstract screening, full-text screening, and data extraction filtered 15 studies for inclusion. Balanced energy protein (BEP) supplementation (n = 8) studies showed a reduced incidence of perinatal mortality, stillbirths, low birth weight (LBW) infants, small for gestational age (SGA) babies and increased birth weight. Food distribution programs (FDPs) (n =5) witnessed reduced rates of SGA, stunting, wasting, and increased birth weight and birth length. Studies on intervention for obesity prevention (n = 2) showed reductions in birth weight. Other findings were statistically insignificant. Subgroup analyses were conducted to study the effectiveness of supplementation between regions, location, the timing of supplementation and nutritional status; however, there were a limited number of studies in each subgroup. Data from our review supports the antenatal supplementation of BEP and FDP for the prevention of adverse maternal, neonatal, and child outcomes that can be utilized for future policymaking. However, more research is required before recommending obesity prevention programs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».