Orthodontic care for underserved patients Professional attitudes and behavior of orthodontic residents and orthodontists
Notice bibliographique
Résumé
OBJECTIVES: To explore whether orthodontic residents and orthodontists differ in their attitudes and behavior concerning the treatment of underserved patients and to investigate how background factors such as the providers' gender, ethnicity/race, and age affect these attitudes and behavior. MATERIALS AND METHODS: Survey data were collected from 135 residents in US and Canadian graduate orthodontic programs and from 568 active members of the American Association of Orthodontists. Attitudes toward various aspects of treating underserved patients were rated on a five-point scale, with 1 indicating the most negative attitude and 5 indicating the most positive. RESULTS: Orthodontic residents had more positive attitudes about treating poor patients (3.02 vs 1.99; P < .001), pro bono cases (3.87 vs. 3.45; P < .001), and patients with craniofacial anomalies (3.64 vs 3.01; P < .001) or mental retardation (3.13 vs 2.72; P < .001) than orthodontists. However, compared to orthodontists, lower percentages of residents intended to treat pro bono cases (73.5% vs 83%; P = .009) and patients with craniofacial anomalies (63.6% vs 82.9%; P < .001) or mental retardation (55% vs 81.5%; P < .001). The providers' gender did not have an effect on these attitudes and related behavior, while ethnicity/race and age of the providers were relevant. CONCLUSIONS: Residents had more positive attitudes concerning the treatment of underserved patients than orthodontists. However, their behavioral intentions did not indicate an increased willingness to provide care for these patients.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».