Association between early childhood caries and poverty in low and middle income countries
Notice bibliographique
Résumé
Abstract Background The aim of this study was to assess the relationship between early childhood caries (ECC) in 3–5-year-old children, seven indicators of poverty and the indicator of monetary poverty in low- and middle-income countries (LICs, MICs). Methods This ecologic study utilized 2007 to 2017 country-level data for LICs and MICs. Explanatory variables were seven indicators of poverty namely food, water, sanitation, health, shelter, access to information, education; and monetary poverty. The outcome variable was the percentage of 3–5-year-old children with ECC. A series of univariate general linear regression models were used to assess the relationship between the percentage of 3–5 year-old children with ECC and each of the seven indicators of poverty, and monetary poverty. This was followed by multivariable regression models to determined the combined effect of the seven indicators of poverty, as well as the combined effect of the seven indicators of poverty and monetary poverty. Adjusted R2measured models’ ability to explain the variation among LICs and MICs in the percentage of 3–5-year-old children with ECC. Results Significantly more people had food, sanitation, shelter, access to information, education and monetary poverty in LICs than in MICs. There was no difference in the prevalence of ECC in 3–5-year-old children between LICs and MICs. The combination of the seven indicators of poverty explained 15% of the variation in the percentage of 3–5-year-old children with ECC compared to 1% explained by monetary poverty. When the seven indicators of poverty and the indicator for monetary poverty were combined, the amount of variation explained by them was 10%. Only two of the poverty indicators had a direct relationship with the percentage of children with ECC; there was a higher percentage of ECC in countries with higher percentage of population living in slums (B = 0.35) and in those countries with higher percentage of the population living below poverty lines (B = 0.19). The other indicators had an inverse relationship. Conclusion The use of multiple indicators to measures of poverty explained greater amount of variation in the percentage of 3–5-year-olds with ECC in LICs and MICs than using only the indicator for monetary poverty.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».