PENANGGULANGAN GIZI BURUK PADA DOKTER DAN PETUGAS GIZI PUSKESMAS DI DINAS KESEHATAN KABUPATEN TANAH DATAR
Notice bibliographique
Résumé
Gizi buruk merupakan salah satu masalah gizi yang ditentukan berdasarkan indikator antropometri berat badan menurut tinggi atau panjang badan (BB/TB) dengan z-skor BB/TB <-3 SD dan ada atau tidaknya odema. Masalah gizi buruk banyak terdapat di negara miskin dan berkembang seperti negara Indonesia. Berdasarkan Profil Kesehatan Indonesia Tahun 2015, sebanyak 26.518 Balita mengalami gizi buruk dengan prevalensi gizi buruk sebanyak 3,8% di Indonesia. Penanganan masalah gizi yang ada saat ini, tidak bisa hanya oleh pemerintah saja, namun perlu keterlibatan dan dukungan dari pemangku kepentingan lain seperti unsur perguruan tinggi. Tujuan kegiatan ini adalah untuk meningkatkan pengetahuan dokter dan petugas yang bekerja di Puskesmas se Kabupaten Tanah Datar dalam penanggulangan gizi buruk. Metode yang digunakan adalah pelatihan (capacity building). Pelatihan diberikan kepada stake holder Puskesmas tentang upaya peningkatan status gizi anak melalui kelas ibu balita, pengukuran status gizi anak yang mengikuti posyandu, pemberian edukasi gizi bagi ibu balita melalui kelas ibu balita dan pemantauan asupan gizi dan gizi balita. Sasaran utama dalam pelaksanaan kegiatan ini adalah dokter, petugas gizi dan petugas KIA seluruh puskesmas yang ada di Kabupaten Tanah Datar. Dari kegiatan ini diharapkan dapat meningkatkan pengetahuan tenaga kesehatan dalam penanggulangan stunting di wilayah Kabupaten Tanah Datar. Terjadi peningkatan pengetahuan petugas kesehatan dengan rata-rata nilai pre-test 8,9 meningkat menjadi 9,3 pada post test. Dengan adanya kegiatan ini maka diharapkan dapat menurunkan angka gizi buruk dan kematian pada anak dimulai dari lingkup wilayah Kabupaten Tanah Datar.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».