Comparing self‐reported and clinically diagnosed unmet dental treatment needs using a nationally representative survey
Notice bibliographique
Résumé
OBJECTIVES: To describe the validity and diagnostic accuracy of self-reported data compared with clinically assessed data for the ascertainment of clinical dental treatment needs in the Canadian population. METHODS: A secondary analysis of data from the Canadian Health Measures Survey (2007-2009) was undertaken. Clinical treatment needs were classified into preventive and diagnostic, restorative, endodontic, periodontic, surgical, and orthodontic categories. Sensitivity, specificity, positive and negative predictive values (NPVs), kappa statistics and likelihood ratios (LR) were calculated to compare self-reported and clinically determined needs. Survey weights were applied to generate nationally representative findings of the Canadian population. RESULTS: Generally across most dental need categories, agreement between self-reported and clinically-determined dental need was found to be moderate to poor (kappa <0.6). For most needs, self-reported data was found to be highly specific (>90 percent) but not very sensitive. Low positive (<60 percent) and high NPVs (>80 percent) revealed that self-reported information was found to be more precise in reassuring when most dental needs were not present, opposed to confirming needs that were required. High positive LRs were obtained for endodontic (+LR = 12.15) and orthodontic needs (+LR = 14.82), indicating good diagnostic accuracy of positive self-report for these outcomes. CONCLUSIONS: Our findings suggest that in general, self-reports are poor estimates for normative dental treatment needs but do have some merit in confirming non-needs. Exceptionally, self-reports do have suitable diagnostic accuracy for predicting orthodontic and endodontic needs.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 ».