Integrating climate services into health systems for nutrition security: a scoping review
Notice bibliographique
Résumé
Abstract Climate information services (CISs) are science-based tools used to inform decision-making in climate-sensitive sectors, such as agriculture, water resources, energy, disaster risk reduction and health. These CISs rely on high-quality climate and weather data in order to predict and prepare for specific extreme weather or climate events such as droughts and floods. Within the health sector, most CISs have been developed to prevent and treat specific infectious diseases or food insecurity; however less is known on how CISs have been used for nutrition programming. We conducted a scoping review of available evidence, on the use of CISs to implement direct and indirect nutrition interventions in health-care and other sectors ahead of extreme weather or climate events. We searched PubMed, Web of Science and Scopus, and grey literature sources for primary studies (observational, intervention, and program evaluations) conducted in low- and middle-income countries from 1 January 2000 to 1 April 2024. We included 48 studies, representing 67 country-level programs. The majority of programs were found in the African region ( n = 38), followed by South-East Asian Region ( n = 10), Region of the Americas ( n = 9), Western Pacific Region ( n = 8), Eastern Mediterranean Region ( n = 1), and the European Region ( n = 1). Most CISs were developed in response to vector-borne diseases (17 countries), droughts (10 countries), floods (9 countries) or multi-hazards (11 countries). The types of nutrition programs deployed were largely outside of the health sector using social protection schemes or vector control including poverty alleviation ( n = 49 programs), water, sanitation and hygiene ( n = 24 programs), disease prevention ( n = 23 programs) or emergency nutrition ( n = 19 programs). Few studies evaluated impacts of CISs on the nutritional status of women, children and adolescents affected by climate events. There is urgency and opportunity for better integration of weather and climate information into health systems decision-making and workforce preparedness at local levels to improve both short- and long-term nutrition outcomes.
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 | 0,011 | 0,000 |
| 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 | 0,007 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».