Are innovative ready to use therapeutic foods more effective, accessible and cost-efficient than conventional formulations? A review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ready to Use Therapeutic Foods (RUTFs) are used in international food assistance strategies as a safe and effective way of treating children suffering from severe acute malnutrition (SAM). Though the peanut-based formulation has a proven track record in terms of efficacy in treating SAM around the world, the conventional formulation is not without challenges. Concerns regarding cost, the availability of local ingredients, the presence of aflatoxin, shifting global supply patterns, and dietary appropriateness of the peanut-based RUTF have encouraged researchers to experiment with other lipid sources in formulations. This shift requires not only changes to RUTF formulations, but also changes to supply chain activities. The goal of this review is to first, provide an update on the efficacy of recently trialed non-peanut RUTF formulations in treating SAM in infants and children and second, to review recent UN agency led interventions into local/regional RUTF supply chains and programmatic capacity. Based on published documents (2017–2019), this review flags three significant issues requiring further attention from the international food assistance community: the need for follow-up studies of children treated for SAM with RUTFs in programmatic countries, a regional customization of Community-Based Management of Acute Malnutrition (CMAM) protocols to maximize cost effectiveness and programmatic coverage, and an increase in the number of studies focusing on the acceptability of non-peanut RUTF formulations by the infants and children in low and medium income countries.
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 découle