Temporal change in prevalence of BMI categories in India: patterns across States and Union territories of India, 1999–2021
Notice bibliographique
Résumé
BACKGROUND: The problem of overweight/obesity often coexists with the burden of undernutrition in most low- and middle-income countries. BMI change in India incorporating the most recent trends has been under-researched. METHODS: This repeated cross-sectional study of 1,477,885 adults in India analyzed the prevalence of different categories of BMI among adults (age 20-54) in 4 rounds of National Family Health Surveys (1998-1999, 2005-2006, 2015-2016, and 2019-2021) for 36 states/UTs. State differences across time were harmonized for accurate analysis. The categories were Severely/Moderately Thin (BMI < 17.0), Mildly Thin (17.0-18.4), Normal (18.5-24.9), Overweight (25.0-29.9), and Obese (≥ 30.0). We also estimated change in Standardized Absolute Change (SAC), ranking of states, and headcount burden to quantify the trend of BMI distribution across time periods for all-India, urban/rural residence, and by states/UTs. RESULTS: The prevalence of thinness declined from 31.7% in 1999 to 14.2% in 2021 for women, and from 23.4% in 2006 to 10.0% in 2021 for men. Obesity prevalence increased from 2.9% (1999) to 6.3% (2021) for women, and from 2.0% (2006) to 4.2% (2021) for men. In 2021, the states with the highest obesity prevalence were Puducherry, Chandigarh, and Delhi. These states also had a high prevalence of overweight. Dadra and Nagar Haveli and Diu, Gujarat, Jharkhand, and Bihar had the highest prevalence of severe/moderately thin. Prevalence of extreme categories (severely/moderately thin and obese) was larger in the case of women than men. While States/UTs with a higher prevalence of thin populations tend to have a larger absolute burden of severe or moderate thinness, the relationship between headcount burden and prevalence for overweight and obese is unclear. CONCLUSIONS: We found persistent interstate inequalities of undernutrition. Tailored efforts at state levels are required to further strengthen existing policies and develop new interventions to target both forms of malnutrition.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».