Prevalence of vitamin and iron deficiencies at cancer diagnosis at two pediatric oncology units in South Africa
Notice bibliographique
Résumé
This study investigates the prevalence of vitamin and iron deficiencies at cancer diagnosis. Newly diagnosed children between October 2018 and December 2020 at two South African pediatric oncology units (POUs) were assessed for nutritional and micronutrient status (Vit A, Vit B12, Vit D, folate, and iron). A structured interview with caregivers provided information regarding hunger and poverty risks. There were 261 patients enrolled with a median age of 5.5 years and a male-to-female ratio of 1:0.8. Nearly half had iron deficiency (47.6%), while a third had either Vit A (30.6%), Vit D (32.6%), or folate (29.7%) deficiencies. Significant associations existed between moderate acute malnutrition (MAM) and low levels of Vit A (48.4%; p = .005), Vit B12 (29.6%; p < .001), and folate (47.3%; p = .003), while Vit D deficiency was associated with wasting (63.6%) (p < .001). Males had significantly lower Vit D levels (respectively, 40.9%; p = .004). Folate deficiency was significantly associated with patients born at full term (33.5%; p = .017), age older than five years (39.8%; p = .002), residing in provinces Mpumalanga (40.9%) and Gauteng (31.5%) (P = .032); as well as having food insecurity (46.3%; p < .001), or hematological malignancies (41.3%; p = .004). This study documents the high prevalence of Vit A, Vit D, Vit B12, folate, and iron deficiency in South African pediatric cancer patients, demonstrating the need to include micronutrient assessment at diagnosis to ensure optimal nutritional support for macro-and micronutrients.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».