Evidence‐based dentistry for planning restorative treatments: barriers and potential solutions
Notice bibliographique
Résumé
INTRODUCTION: Evidence-based dentistry (EBD) can help provide the best treatment option for every patient, however, its implementation in restorative dentistry is very limited. OBJECTIVE: This study aimed at assessing the barriers preventing the implementation of EBD among dental undergraduate and graduate students in Montreal, and explore possible solutions to overcome these barriers. MATERIALS AND METHODS: A cross-sectional survey was conducted by means of a paper format self-administrated questionnaire distributed among dental students. The survey assessed the barriers and potential solutions for implementation of an evidence-based practice. RESULTS: Sixty-one students completed the questionnaire. Forty-one percent of respondents found evidence-based literature to be the most reliable source of information for restorative treatment planning, however, only 16% used it. They considered that finding reliable information was difficult and they sometimes encountered conflicting information when consulting different sources. Dental students had positive attitudes towards the need for better access to evidence-based literature to assist learning and decision making in restorative treatment planning and to improve treatment outcomes. Even for dentists trained in EBD, online searching takes too much time, and even though it can provide information of better quality than personal intuition, it might not be enough to identify the best available evidence. CONCLUSIONS: Even though dental students are aware of the importance of EBD in restorative dentistry they rarely apply the concept, mainly due to time constraints. For this reason, implementation of EBD would probably require faster access to evidence-based knowledge.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».