Impact of climate change on child outcomes: an evidence gap map review
Notice bibliographique
Résumé
BACKGROUND: Climate change and extreme weather events significantly threaten neonatal and child health. This review aims to provide a comprehensive overview of the current evidence on the impact of climate change on child health, using the evidence gap map (EGM) to address knowledge gaps and establish a foundation for evidence-based interventions and future research. METHOD: From inception, academic databases (such as MEDLINE, EMBASE, Global Health, CINAHL and Scopus) and grey literature were systematically searched. We included climate change-related studies involving children aged 0-5 worldwide. Covidence facilitated a rigorous screening process, and we conducted a critical appraisal. Two independent reviewers handled screening and data extraction. Eligible studies underwent coding and extraction using Evidence for Policy and Practice Information (EPPI) reviewer software. The EGM was constructed using EPPI Mapper, and comprehensive findings were presented through live links and figures. RESULT: We identified 196 studies, comprising 59.2% children and 40.8% neonates, with diverse research approaches, including 94% quantitative studies. There has been a notable increase in research publications over the past 5 years. Evidence is heavily concentrated in Asia (93 studies) and Africa (47 studies). The most frequently studied exposures are those related to extreme climate events, followed by drought and floods. However, there are gaps in the study of extreme cold and storms. The significant outcomes comprised preterm birth (55 studies), low birth weight (27 studies), malnutrition (59 studies) and diarrhoeal diseases (28 studies). Evidence on mental health problems and congenital disabilities receives relatively less attention. CONCLUSION: This EGM is crucial for researchers, policymakers and practitioners. It highlights knowledge gaps and guides future research to address the evolving threats of climate change to global child health. TRIAL REGISTRATION NUMBER: INPLASY202370086.
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 | 0,018 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,017 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».