MétaCan
Menu
Retour à la cohorte
Enregistrement W4384500339 · doi:10.20944/preprints202307.1107.v1

Determinants of Stunting among Children Under Five in Pakistan

2023· preprint· en· W4384500339 sur OpenAlexaff
Sajid Soofi, Ahmad Khan, Sumra Kureishy, Imtiaz Hussain, Atif Habib, Muhammad Umer, Shabina Ariff, Sajid Muhammad, Arjumand Rizvi, Imran Ahmed, Junaid Iqbal, Khawaja Masuood Ahmed, Abdul Baseer Khan Achakzai, Zulfiqar A Bhutta

Notice bibliographique

RevuePreprints.org · 2023
Typepreprint
Langueen
DomaineNursing
ThématiqueChild Nutrition and Water Access
Établissements canadiensSickKids FoundationHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésLogistic regressionMalnutritionSocioeconomic statusMedicineEnvironmental healthPublic healthCross-sectional studyRural areaDemographyDeveloping countryPediatricsPopulationBiology

Résumé

récupéré en direct d'OpenAlex

Introduction: Child stunting remains a public health concern. It is characterized as poor cognitive and physical development in children due to inadequate nutrition during the first 1,000 days of life. Across South Asia, Pakistan has the second-highest prevalence of stunting. This study has assessed the most recent nationally representative data, the National Nutrition Survey (NNS) 2018, to identify the stunting prevalence and determinants among Pakistani children under five. Methods: The NNS 2018, a cross-sectional household-level survey, was used to conduct a secondary analysis. Data on malnutrition, dietary practices, and food insecurity was used to identify the prevalence of stunting among children under five years by demographic, socioeconomic, and geographic characteristics. The prevalence of stunting was calculated using the World Health Organization (WHO) height for age z-score references. Univariate and multivariable logistic regressions were conducted to identify factors associated with child stunting. Results: Analysis showed that out % of 52,602 children under five, 40.0% were found stunted. Male children living in rural areas were more susceptible to stunting. Furthermore, stunting was more prevalent among children whose mothers had no education, were between 20 and 34, and were employed. In the multivariable logistic regression, male children (AOR=1.08, 95% CI[1.04-1.14], P<0.001) from rural areas (AOR=1.07, 95% CI [1.01-1.14], P=0.014), with the presence of diarrhea in the last two weeks (AOR=1.15, 95% CI [1.06-1.25], P<0.001), with mothers who have no education (AOR=1.57, 95% CI [1.42-1.73], P<0.001) or lower levels of education (Primary: AOR=1.35, 95% CI [1.21-1.51], P<0.001; Middle: AOR=1.29, 95% CI [1.15-1.45], P<0.001) had higher odds of stunting. Younger children aged <6 months (AOR=0.53, 95% CI [0.48-0.58], P<0.001) and 6-23 months (AOR=0.89, 95% CI [0.84-0.94], P<0.001), with mothers aged 35-49 years (AOR=0.78, 95% CI [0.66-0.92], P=0.003) had lower odds of stunting. At the household level, the odds of child stunting were higher in the poorest households (AOR=1.64, 95% CI [1.46-1.83], P<0.001), with ≥7 members (AOR=1.09, 95% CI [1.04-1.15], P<0.001), with no access to improved sanitation facilities (AOR=1.14, 95% CI [1.06-1.22], P<0.001) and experiencing severe food insecurity (AOR=1.07, 95% CI [1.01-1.14], P=0.02). Conclusion: Child stunting in Pakistan is strongly associated with various factors, including gender, age, diarrhea, residence, maternal age and education, household size, food and wealth status, and access to sanitation. To address this, interventions must be introduced to make locally available food and nutritious supplements more affordable, improve access to safe water and sanitation, and promote female education for long-term reduction in stunting rates.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,043
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,096
Tête enseignante GPT0,390
Écart entre enseignants0,295 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetChild Nutrition and Water AccessTravaux en français237 207