Dietary intakes and body mass indices of non-pregnant, non-lactating (NPNL) women from the Coastal and Guinea savannah zones of Ghana
Notice bibliographique
Résumé
Adequate maternal nutrition prior to pregnancy is important for maternal health and favourable pregnancy outcomes. However, information on the dietary intakes of NonPregnant, Non-Lactating (NPNL) women in Ghana is lacking. A cross-sectional survey was undertaken to compare the dietary intakes of NPNL women of children aged 2 to 5 years who are either living in the Coastal (n=79) or Guinea Savannah (n=89) zones. Data were collected using various methods namely interviewer administered socio-demographic questionnaire, 24hr dietary recall records, with data collected on one working and one non-working day within a week, and a 1-week food frequency questionnaire. Body mass index was derived from height and weight measurements. Women in the Coastal Savannah zone had significantly (p=0.05) more formal education (3.9 ± 2.5 years) and earned a higher (p<0.001) weekly income (Gh¢ 6.8 ± 2.7) than women in the Guinea Savannah zone with educational level and incomes of 2.2±1.6 years and Gh¢ 3.9±2.4 respectively. More women in the Coastal zone had significantly (p<0.05) fewer births and were heads of their households. Cereal-based foods were consumed daily by all women during the two-day observation period. Fish was the predominant animal source food in the diet in both zones. Significantly (p<0.05) more women in the Guinea Savannah zone did not meet their Estimated Average Requirements (EAR) for protein (81%), vitamin A (94.4%), and vitamin C (72%) compared to women in the Coastal zone (44%, 22%, and 31% respectively).The diets of both groups of women were low in calcium. Generally, women in the Coastal zone had a significantly (p<0.001) higher BMI (24.2 ± 4.6 kg/m2) than their counterparts in the Guinea Savannah zone (21.3± 2.4 kg/m2).The overall quality of dietary intakes and nutritional status of women in the Guinea Savannah zone was poorer than that of Coastal women. Dietary deficiencies are also present in NPNL women in Ghana. Efforts are needed to improve diet quality and to increase access to resources especially for women in the Guinea Savannah zone of Ghana.
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 ».