Ethnic disparities in children’s oral health: findings from a population-based survey of grade 1 and 2 schoolchildren in Alberta, Canada
Notice bibliographique
Résumé
BACKGROUND: Although oral health has improved remarkably in recent decades, not all populations have benefited equally. Ethnic identity, and in particular visible minority status, has been identified as an important risk factor for poor oral health. Canadian research on ethnic disparities in oral health is extremely limited. The aim of this study was to examine ethnic disparities in oral health outcomes and to assess the extent to which ethnic disparities could be accounted for by demographic, socioeconomic and caries-related behavioral factors, among a population-based sample of grade 1 and 2 schoolchildren (age range: 5-8 years) in Alberta, Canada. METHODS: A dental survey (administered during 2013-14) included a mouth examination and parent questionnaire. Oral health outcomes included: 1) percentage of children with dental caries; 2) number of decayed, extracted/missing (due to caries) and filled teeth; 3) percentage of children with two or more teeth with untreated caries; and 4) percentage of children with parental-ratings of fair or poor oral health. We used multivariable regression analysis to examine ethnic disparities in oral health, adjusting for demographic, socioeconomic and caries-related behavioral variables. RESULTS: We observed significant ethnic disparities in children's oral health. Most visible minority groups, particularly Filipino and Arab, as well as Indigenous children, were more likely to have worse oral health than White populations. In particular, Filipino children had an almost 5-fold higher odds of having severe untreated dental problems (2 or more teeth with untreated caries) than White children. Adjustment for demographic, socioeconomic, and caries-related behavior variables attenuated but did not eliminate ethnic disparities in oral health, with the exception of Latin American children whose outcomes did not differ significantly from White populations after adjustment. CONCLUSIONS: Significant ethnic disparities in oral health exist in Alberta, Canada, even when adjusting for demographic, socioeconomic and caries-related behavioral factors, with Filipino, Arab, and Indigenous children being the most affected.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».