Racial/Ethnic Disparities in the Acceptance of Medicaid Patients in Dental Practices
Notice bibliographique
Résumé
OBJECTIVES: Medicaid enrollees disproportionately experience dental disease and difficulties accessing needed dental care. However, little has been documented on the factors associated with the acceptance of new Medicaid patients by dentists, and particularly whether minority dentists are more likely to accept new Medicaid patients. We therefore examined the factors associated with the acceptance of new Medicaid patients by dentists. METHODS: We analyzed 2001 data from the Wisconsin Dentist Workforce Survey administered by the Wisconsin Division of Health Care Financing, Bureau of Health Information. We used descriptive statistics and logistic regression analysis to examine the factors associated with the outcome variable. RESULTS: Ninety-four percent of Wisconsin licensed dentists (n = 4,301) responded to the 2001 survey. A significantly higher likelihood of accepting new Medicaid patients was found for racial/ethnic minority dentists (35 versus 19 percent of White dentists) and dentists practicing in large practices (31 versus 16 percent for those in smaller practices). In the multivariable analysis, minority dentists [odds ratio (OR) = 2.06, 95 percent confidence interval (CI) = 1.30, 3.25] and dentists in practices with >3 dentists (OR= 2.25, 95 percent CI = 1.69, 3.00) had significantly greater odds of accepting new Medicaid patients. CONCLUSIONS: Racial/ethnic minority dentists are twice as likely as White dentists to accept new Medicaid patients. Dentists in larger practices also are significantly more likely than those in smaller practices to accept new Medicaid patients. These findings suggest that increasing dental workforce diversity to match the diversity of the general US population can potentially improve access to dental care for poor and minority Americans, and may serve as an important force in reducing disparities in dental care.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».