Association of trends in child undernutrition and implementation of the National Rural Health Mission in India: A nationally representative serial cross-sectional study on data from 1992 to 2015
Notice bibliographique
Résumé
BACKGROUND: India launched the National Rural Health Mission (NRHM) in 2005 to strengthen its primary healthcare system in high-focus and northeast-focus states. One of the NRHM objectives was to reduce child undernutrition in India. METHODS AND FINDINGS: We used data from 1992, 1998, 2005, and 2015 National Family Health Survey (NFHS) of India to evaluate trends in child undernutrition prevalence before and after NRHM and across different categories of focus states. Stunting, Wasting, and Comprehensive Index of Anthropometric Failure (CIAF) were assessed using the World Health Organization (WHO) growth curves to assess chronic, acute, and overall undernutrition. The study included 187,452 children aged 3 years or under. Survey-weighted and confounder-adjusted average annualized reduction rates (AARRs) and predicted probability ratios were used to assess trends and socioeconomic disparities for child undernutrition, respectively. Nationwide, the prevalence of all types of undernutrition decreased from 1992 to 2015. However, the trends varied before and after NRHM implementation and differentially by focus states. After NRHM, acute undernutrition declined more rapidly among high-focus states (AARR 1.0%) but increased in normal-focus states (AARR -1.9% per year; p-value for the difference <0.001). In contrast, the prevalence of chronic undernutrition declined more rapidly (AARR 1.6%) in the normal-focus states in comparison to high-focus states (0.3%; p-value for the difference = 0.01). Income and caste-based disparities in acute undernutrition decreased but did not disappear after the implementation of the NRHM. However, similar disparities in prevalence of chronic undernutrition appear to be exacerbated after the implementation of the NRHM. Major limitations of this study include the observational and cross-sectional design, which preclude our ability to draw causal inferences. CONCLUSIONS: Our results suggests that NRHM implementation might be associated with improvement in wasting (acute) rather than stunting (chronic) forms of undernutrition. Strategies to combat undernutrition equitably, especially in high-focus states, are 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».