Subnational mapping for targeting anaemia prevention in women of reproductive age in Ethiopia: A coverage‐equity paradox
Notice bibliographique
Résumé
Anaemia in women of reproductive age (WRA) can be effectively addressed if supported by a better understanding of the spatial variations, magnitude, severity and distribution of anaemia. This study aimed to map the subnational spatial distribution of anaemia (any, moderate and severe forms) among WRA in Ethiopia. We identified and mapped (any, moderate and severe) anaemia hotspots in WRA (n = 14,923) at the subnational level and identified risk factors using multilevel logistic regression. Kulldorff scan statistics were used to identify hotspot regions. Ordinary kringing was used to predict the anaemia prevalence in unmeasured areas. The overall anaemia prevalence increased from 16.6% in 2011 to 23.6% in 2016, a rise that was mostly related to the widening of existing hotspot areas. The primary clusters of (any) anaemia were in Somali and Afar regions. The horn of the Somali region represented a cluster of 330 km where 10% of WRA were severely anaemic. The Oromia-Somali border represented a significant cluster covering 247 km, with 9% severe anaemia. Population-dense areas with low anaemia prevalence had high absolute number of cases. Women education, taking iron-folic-acid tablets during pregnancy and birth-delivery in health facilities reduced the risk of any anaemia (P < 0.05). The local-level mapping of anaemia helped identify clusters that require attention but also highlighted the urgent need to study the aetiology of anaemia to improve the effectiveness and safety of interventions. Both relative and absolute anaemia estimates are critical to determine where additional attention is needed.
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 ».