Nutritional evaluation and growth of infants in a Rwandan neonatal follow‐up clinic
Notice bibliographique
Résumé
Children born preterm, low birth weight (LBW) or with other perinatal risk factors are at high-risk of malnutrition. Regular growth monitoring and early intervention are essential to promote optimal feeding and growth; however, monitoring growth in preterm infants can be complex. This study evaluated growth monitoring of infants under 6 months enrolled in Paediatric Development Clinics (PDCs) in rural Rwanda. We reviewed electronic medical records (EMR) of infants enrolled in PDCs before age 2 months with their first visit between January 2015 and December 2016 and followed them until age 6 months. Nurse classification of anthropometric measures and nutritional status were extracted from the EMR. Interval growth and length-for-age, weight-for-length, and weight-for-age z-scores were calculated using World Health Organization anthropometry software as a 'gold standard' comparison to nurse classifications. Two hundred and ninety-four patients enrolled and had 2,033 visits during the study period. Referral reasons included prematurity/LBW (73.8%) and hypoxic ischemic encephalopathy (28.2%). Nurses assessed interval growth at 58.7% of visits, length-for-age at 66.4%, weight-for-length at 65.6% and weight-for-age at 66.4%. Nurses and gold standard assessment agreed on interval growth at 53.3% of visits and length-for-age at 63.7%, weight-for-length at 78.2% and weight-for-age at 66.3%. At 6 months, 46.5% were stunted, 19.9% were wasted and 44.2% were underweight. There were significant challenges to optimizing growth and growth monitoring among high-risk infants served by PDCs, including incomplete and inaccurate assessments. Developing tools for clinician decision support in assessing growth and providing specialized nutritional counselling are essential to supporting optimal outcomes in this population.
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) | 0,000 | 0,000 |
| 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 ».