The Impact of Policy Modifiable Factors on Inequalities in Rates of Child Dental Caries in Australia
Notice bibliographique
Résumé
Background: Poor oral health in childhood can lead to adverse impacts later in life. We aimed to estimate the prevalence and population distribution of childhood dental caries in Australia and investigate factors that might ameliorate inequalities. Methods: Data from the nationally representative birth cohort Longitudinal Study of Australian Children (N = 5107), using questions assessing: The experience of dental caries during each biennial follow-up period (2–3 years to 10–11 years), socioeconomic position (SEP), and policy modifiable oral health factors. Results: The odds of dental caries were higher for children with lowest vs. highest SEP (adjusted OR (adjOR) 1.92, 95% CI 1.49–2.46), and lower where water was fluoridated to recommended levels (adjOR 0.53, 95% CI 0.43–0.64). There was no evidence of an association between caries experience and either reported sugary diet or tooth brushing. When SEP and fluoridation were considered in conjunction, compared to the highest SEP group with water fluoridation children in the lowest SEP with fluoridation had adjOR 1.54 for caries, (95% CI 1.14–2.07), and children in the lowest SEP without fluoridation had adjOR 4.06 (95% CI 2.88–5.42). For patterns of service use: The highest SEP group reported a greater percentage of service use in the absence of caries. Conclusions: Dental caries appears prevalent and is socially distributed in Australia. Policy efforts should consider how to ensure that children with dental caries receive adequate prevention and early care with equitable uptake.
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 | 0,008 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».