Menstrual abnormality, maternal illiteracy, and household factors as main predictors of anemia among adolescent girls in Ethiopia: Systematic review and meta-analysis
Notice bibliographique
Résumé
Background: Adolescent girls are more likely to develop anemia as a result of physical and physiological changes that place a greater strain on their nutritional needs. Primary studies, on the other hand, may not be sufficient to provide a complete picture of anemia in adolescent girls and its major risk factors. Objective: The study aimed to describe the pooled prevalence of adolescent girls’ anemia and the factors that contribute. Methods: We conducted a systematic review of observational studies using the databases CINAHL (EBSCO), PubMed, Science Direct, Cochrane Library, and Google Scholar. The Newcastle-Ottawa Scale was used to assess the quality of the articles, and studies of fair to good quality were included. We pooled anemia prevalence among adolescents and odds ratio estimates for risk factors. Subgroup analysis employing sample size and study setup was computed to determine the source of heterogeneity, and the I 2 test was used to identify the existence or absence of substantial heterogeneity during subgroup analysis. The pooled prevalence of adolescent girls’ anemia was calculated using a random-effects meta-analysis model. Results: The overall pooled prevalence of anemia among adolescent girls in Ethiopia was 23.03% (95% confidence interval: 17.07, 28.98). Low dietary diversity (odds ratio: 1.56; 95% confidence interval: 1.05, 2.32), illiterate mothers (odds ratio: 1.45; 95% confidence interval: 1.13, 1.86), household size greater than five (odds ratio: 1.65; 95% confidence interval: 1.14, 2.38), food-insecure households (odds ratio: 1.48; 95% confidence interval: 1.21, 1.82), and menstrual blood flow more than 5 days (odds ratio: 6.21; 95% confidence interval: 1.67, 23.12) were the identified factors associated with anemia among adolescent girls. Conclusion: The pooled prevalence of anemia among adolescent girls in Ethiopia was moderately high. Therefore, to combat the burden of anemia among adolescent girls offering nutritional education is crucial. Iron supplementation is also recommended for adolescent females who have a menstrual cycle that lasts longer than 5 days.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».