PREVALENCE OF MICRONUTRIENT DEFICIENCIES IN NON PREGNANT WOMEN OF REPRODUCTIVE AGE
Notice bibliographique
Résumé
Background: Micronutrient deficiencies remain a significant public health issue, particularly among women of reproductive age. Despite their importance in preconception and overall health, non-pregnant women are often overlooked in nutritional surveillance programs, especially in South Asian settings. Objective: To determine the prevalence and patterns of iron, vitamin D, folate, and vitamin B12 deficiencies among non-pregnant women aged 15–45 years attending outpatient clinics in Lahore, Pakistan. Methods: A cross-sectional study was conducted over six months in three outpatient clinics. A total of 360 non-pregnant women aged 15–45 years were recruited. Data collection included demographic profiling, anthropometric measurements, and biochemical assessment of serum ferritin, 25-hydroxyvitamin D, serum folate, and vitamin B12. Deficiency thresholds were based on WHO criteria. Descriptive and inferential statistics were applied using SPSS v26, and subgroup analysis was conducted by age group. Results: The mean age of participants was 29.4 years. Vitamin D deficiency was most prevalent (52.8%), followed by iron (41.5%), folate (23.6%), and vitamin B12 (19.7%) deficiencies. The youngest age group (15–24 years) demonstrated the highest burden across all micronutrients. Mean serum levels for ferritin, vitamin D, folate, and B12 were below optimal in a substantial proportion of participants. Significant age-wise differences in serum ferritin and vitamin D levels were observed (p < 0.01). Conclusion: A high prevalence of micronutrient deficiencies exists among non-pregnant women of reproductive age in Lahore, with younger women being most affected. These findings support the need for integrated nutritional screening and public health interventions, including food fortification and education programs, targeting this at-risk group.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».