Income and wealth as correlates of socioeconomic disparity in dentist visits among adults aged 20 years and over in the United States, 2011–2014
Notice bibliographique
Résumé
BACKGROUND: Most studies in the United States (US) have used income and education as socioeconomic indicators but there is limited information on other indicators, such as wealth. We aimed to assess how two socioeconomic status measures, income and wealth, compare as correlates of socioeconomic disparity in dentist visits among adults in the US. METHODS: Data from the National Health and Nutrition Examination Survey (NHANES) 2011-2014 were used to calculate self-reported dental visit prevalence for adults aged 20 years and over living in the US. Prevalence ratios using Poisson regressions were conducted separately with income and wealth as independent variables. The dependent variable was not having a dentist visit in the past 12 months. Covariates included sociodemographic factors and untreated dental caries. Parsimonious models, including only statistically significant (p < 0.05) covariates, were derived. The Akaike Information Criterion (AIC) measured the relative statistical quality of the income and wealth models. Analyses were additionally stratified by race/ethnicity in response to statistically significant interactions. RESULTS: The prevalence of not having a dentist visit in the past 12 months among adults aged 20 years and over was 39%. Prevalence was highest in the poorest (58%) and lowest wealth (57%) groups. In the parsimonious models, adults in the poorest and lowest wealth groups were close to twice as likely to not have a dentist visit (RR 1.69; 95%CI: 1.51-1.90) and (RR 1.68; 95%CI: 1.52-1.85) respectively. In the income model the risk of not having a dentist visit were 16% higher in the age group 20-44 years compared with the 65+ year age group (RR 1.16; 95%CI: 1.04-1.30) but age was not statistically significant in the wealth model. The AIC scores were lower (better) for the income model. After stratifying by race/ethnicity, age remained a significant indicator for dentist visits for non-Hispanic whites, blacks, and Asians whereas age was not associated with dentist visits in the wealth model. CONCLUSIONS: Income and wealth are both indicators of socioeconomic disparities in dentist visits in the US, but both do not have the same impact in some populations in the US.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».