Treatment procedures and referral patterns of general dentists in Lithuania
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: The requirement for dental specialties and the number of specialists in each country depends on the content and execution of undergraduate dental education, the complex oral health care needs of the society and other factors. The aim of our study was to assess specific treatment procedures of Lithuanian general dentists and their need to refer patients to specialists. MATERIALS AND METHODS: Census sampling was employed and the data collected by means of a structured questionnaire asking dentists about the frequency of specific treatment procedures they perform and the frequency of referrals they make to different dental specialists. The results are of a self-reported nature. RESULTS: From general dental practice, 76.3% of cases needing orthodontic treatment were referred to orthodontists. About half of patients needing specialized care were referred to periodontists (50.2%), orthopedists (46.9%) and oral surgeons (45.0). More than one-third (39%) of the cases needing specialist care were referred to endodontists. Only one-third of patients were referred to pediatric dentists. In about 60% of cases needing respective care general dentists extracted teeth and roots, made incisions in acute jaw infections and treated young children; in about half of cases general dentists performed complex endodontic manipulations and treatment with fixed and removable prostheses. CONCLUSIONS: There is a clear need for Lithuanian dental practitioners to refer patients to all types of dental specialists. Undergraduate dental education program and postgraduate training should be more directed toward the extraction of teeth and roots, treatment of young children and provision of dental prostheses to 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».