Nutritional Anemia Reductions Due to Food Fortification Among Women of Childbearing Age: A Literature Review and Bayesian Meta‐Analysis
Notice bibliographique
Résumé
Food fortification can deliver essential micronutrients to populations at a large scale, thereby reducing nutritional anemia. This study aimed to review and meta-analyze the literature on the impact of wheat flour, maize flour, rice, and oil (singly or combined) fortification on women's (10-49 years) hemoglobin and anemia. A search of 17 databases yielded 2284 results. Longitudinal, pre-post cross-sectional, efficacy, and effectiveness studies were included. Primary outcomes were changes in hemoglobin concentration and anemia prevalence. Studies were synthesized using arm-based network meta-analysis. In women who consumed fortified rice, hemoglobin mean change was 3.24 g/L (95% credibility interval (CrI) 0.9, 5.98), higher than for women in the control, with a 99.1% probability that the true mean difference was > 0. Hemoglobin was 2.08 g/L (95% CrI -0.76, 4.35) higher in women who consumed wheat flour versus control, with a 93.5% probability that the true mean difference was > 0. After rice fortification, anemia prevalence in women was 1.38 percentage points (95% CrI -106.6, 99.2) lower than for control women, with a 51.2% probability that the true mean difference was < 0. Wheat flour fortification decreased anemia prevalence by 1.84 percentage points (95% CrI -93.4, 92.4) with a 52.72% probability that the true mean difference was < 0. The treatment effects of fortified maize flour and fortified oil could not be calculated due to the absence of control arms compared to the intervention arms. Fortified rice and wheat flour appear likely to modestly increase hemoglobin and may also reduce anemia in women of childbearing age.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 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 ».