Tres problemas nutricionales emergentes en poblaciones en contexto de vulnerabilidad
Bibliographic record
Abstract
La primera infancia es un periodo de extrema vulnerabilidad debido al desarrollo rápido de la arquitectura cerebral de los niños y niñas durante estos años. Es una ventana de oportunidad para proteger a los niños de las condiciones adversas teniendo en cuenta que las inequidades en salud en las poblaciones continúan incrementándose. Esta revisión presenta tres problemas emergentes que contribuyen al incremento de estas inequidades en los niños y niñas durante la primera infancia: la ganancia excesiva de peso gestacional (GEPG) y la diabetes gestacional, la vulnerabilidad de las madres lactantes a la comercialización agresiva de sucedáneos de la leche materna (SLM) y la alfabetización en salud. Se exponen estrategias para el medio clínico para intervenir en estas tres condiciones: un enfoque de la GEPG que considere las determinantes de la salud, conocer el Código internacional de comercialización de sucedáneos de la leche Materna (SLM) así como su impacto sobre la protección de la lactancia materna, y se presentan las precauciones universales para alfabetización en salud. Finalmente, se insiste en la necesidad de enfoques holísticos y en la complementariedad de enfoques individuales y poblacionales para disminuir las brechas de las inequidades en salud en los niños durante la primera infancia.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".