Dentists in providing tobacco cessation services: Factors assist and resist
Notice bibliographique
Résumé
Introduction The use of tobacco and its related health effects has emerged as a serious health problem. In a largest survey conducted in the UAE, the point prevalence of active cigarette smoking among men and women was 24% and 1% respectively. Dentists have the opportunity to assist their patients to change their habit of tobacco use. Studies reported that brief interventions of motivating tobacco users to make quit attempt within the dental settings may increase the chance of tobacco abstinence. Objective To determine the factors which assist and the dentists in delivering tobacco cessation advice to their patients in Northern Emirates, UAE. Methods Cross sectional study design was used in this study. Dentists practicing in hospitals, dental clinics, poly clinics and Primary Health Care Centers in the Northern Emirates, UAE were the study population. A validated pilot tested questionnaire was used in this study. 250 dentists participated in the study; participants were recruited conveniently. Results Majority (63%) reported of poor practice towards tobacco cessation advice as compared to those with good practice (37%). Around 61.6% perceived lack of patient’s interest as the most common preventing factors. Nearly 90% responded distribution of relevant educational materials and availability of appropriate referral system as facilitating factors in providing advice. Conclusion Unavailability of appropriate referral services, lack of interests of patients, lack of printed resources and lack of training were commonly reported barriers. While distribution of relevant educational materials and provision of training opportunities were reported to be significant facilitating factors.
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 | 0,000 |
| 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 | 0,000 | 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 ».