Anaemia in pregnancy across Tanzania: A comprehensive review of prevalence, risk factors, and birth outcomes
Notice bibliographique
Résumé
Problem considered Anaemia in pregnancy is a significant public health issue in Tanzania, linked to poor maternal and neonatal outcomes. Despite numerous regional studies, a comprehensive synthesis is needed. This study examined the prevalence, associated factors, and perinatal outcomes of anaemia among pregnant women in Tanzania. Methods A comprehensive literature search was conducted across Medline, EMBASE, PubMed, CINAHL, Web of Science, Scopus, PsycINFO, Science Direct, and grey literature sources, including manual searches for unpublished theses and dissertations from January 2010 to May 2025. Eligible studies reported prevalence and/or associated factors. Two independent reviewers screened, extracted data, and assessed study quality using PRISMA guidelines and the Modified Newcastle-Ottawa Scale. Findings were synthesised narratively through thematic grouping and interpretation. Results Twelve studies met the inclusion criteria, reporting anaemia prevalence from 20% to 83.5%, with a pooled estimate of 51.5% (95% CI: 43.1%–61.6%). Fourteen risk factors were identified, including low income, limited education, poor diet, younger age, short pregnancy intervals, multigravidity, advanced gestation, and infections (malaria, HIV). Nine protective factors emerged, such as higher education, food security, good knowledge and attitudes, employment, adequate ANC, and proximity to health facilities. Anaemia was also linked to low birth weight and preterm birth. Conclusion Anaemia in pregnancy remains prevalent in Tanzania, driven by socioeconomic, nutritional, and health factors. Targeted efforts to improve maternal nutrition, education, and ANC use are vital to reduce its impact on pregnancy 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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».