Time trends in socio-economic and geographic-based inequalities in childhood wasting in Guinea over 2 decades: a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Today, an estimated 7.3% (50 million) of all children <5 y of age suffer from wasting, with more burden in African countries including Guinea. Investigating inequalities in childhood wasting is essential for designing efficient programs and interventions, but no related evidence exists in Guinea. This study aimed to examine the trends in the prevalence of childhood wasting and the extent of sex, socio-economic and geographic-based disparities in Guinea. METHODS: Data from the 1999, 2005 and 2012 Guinea Demographic and Health Surveys and the 2016 Guinea Multiple Indicator Cluster Survey, with a total of 16 137 children <5 y of age were included for analysis. For inequality analysis, we used the 2019 updated World Health Organization Health Equity Assessment Toolkit (HEAT) software. Inequality was measured using four summary measures (difference [D], population attributable risk [PAR], ratio [R] and population attributable fraction [PAF]) for five equity stratifiers (economic status, education, place of residence, sex and subnational region). We computed 95% confidence intervals (CIs) around the points estimates to measure statistical significance. RESULTS: The findings revealed a pro-rich (R=1.68 [95% CI 1.11 to 2.24]), pro-urban (PAR=-1.04 [95% CI -1.90 to -0.18]) and subnational region (D=8.11 [95% CI 4.85 to 11.36]) inequalities in childhood wasting across all surveys. Except in 2005, education-based disparities (PAF=-18.2 [95% CI -36.10 to -0.26]) were observed across all survey years, but not sex-based disparities. An approximately constant inequality pattern was seen across all dimensions. CONCLUSIONS: This study showed inequalities in childhood wasting in Guinea with a disproportionately higher risk of wasting among children from disadvantaged subpopulations/mothers, including uneducated, poorest/poor, rural residents and regions. Policies that target disadvantaged populations need to be considered in order to ensure social protection, access to a wholesome diet and universal and quality health services.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».