Dental Therapists as New Oral Health Practitioners: Increasing Access for Underserved Populations
Notice bibliographique
Résumé
The development of dental therapy in the U.S. grew from a desire to find a workforce solution for increasing access to oral health care. Worldwide, the research that supports the value of dental therapy is considerable. Introduction of educational programs in the U.S. drew on the experiences of programs in New Zealand, Australia, Canada, and the United Kingdom, with Alaska tribal communities introducing dental health aide therapists in 2003 and Minnesota authorizing dental therapy in 2009. Currently, two additional states have authorized dental therapy, and two additional tribal communities are pursuing the use of dental therapists. In all cases, the care provided by dental therapists is focused on communities and populations who experience oral health care disparities and have historically had difficulties in accessing care. This article examines the development and implementation of the dental therapy profession in the U.S. An in‐depth look at dental therapy programs in Minnesota and the practice of dental therapy in Minnesota provides insight into the early implementation of this emerging profession. Initial results indicate that the addition of dental therapists to the oral health care team is increasing access to quality oral health care for underserved populations. As evidence of dental therapy's success continues to grow, mid‐level dental workforce legislation is likely to be introduced by oral health advocates in other states. This article was written as part of the project “Advancing Dental Education in the 21 st Century.”
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 ».