Association between concurrence of multiple risk factors and under-5 mortality: a pooled analysis of data from Demographic and Health Survey in 61 low-and-middle-income countries
Notice bibliographique
Résumé
Background Exposure to multiple risk factors is prevalent in low-and middle-income countries (LMICs), challenging one-directional strategies to address preventable under-5 mortality (U5M). This study aims to assess the associations between concurrence of multiple risk factors and U5M in LMICs. Methods We extracted data from the Demographic and Health Surveys conducted between 2010 and 2021 across 61 LMICs. Our primary outcome was U5M, defined as deaths from birth to 59 months. Binary logistic regression model was applied to ascertain the association between U5M and a total of 20 critical risk factors. Upon identifying the risk factors demonstrating the strongest associations, we investigated the simultaneous presence of multiple risk factors in each individual and assessed their combined effects on U5M with logistic regression models. Findings Of the 604,372 under-5 children, 18,166 (3.0%) died at the time of the survey. Unsatisfied family planning needs was the strongest risk factor for U5M (odds ratio [OR]: 2.0, 95% confidence interval [CI]: 1.9–2.1), followed by short birth interval (<18 months; OR: 2.0, 95% CI: 1.9–2.1), small birth size (OR: 2.0, 95% CI: 1.8–2.1), never breastfed or delayed breastfeeding (OR: 2.0, 95% CI: 1.9–2.0), and low maternal education (OR: 1.6, 95% CI: 1.4–1.8). 66.7% (66.6%–66.8%) of the children had 2 or more leading risk factors simultaneously. Simultaneous presence of multiple leading risk factors was significantly associated with elevated risk of U5M and children presenting with all 5 leading risk factors exhibited an exceedingly high risk of U5M (OR: 5.2, 95% CI: 4.3–6.3); a dose–response relationship between the number of risk factors and U5M was also observed–with the increment of numbers of leading risk factors, the U5M showed an increasing trend ( p-trend < 0.001). Interpretation Exposure to multiple risk factors is very common in LMICs and underscores the necessity of developing multisectoral and integrated approaches to accelerate progress in reducing U5M in line with the SDG 3.2. Funding This research is funded by Research Fund, Vanke School of Public Health, Tsinghua University.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».