Providing dental insurance can positively impact oral health outcomes in Ontario
Notice bibliographique
Résumé
BACKGROUND: Universal coverage for dental care is a topical policy debate across Canada, but the impact of dental insurance on improving oral health-related outcomes remains empirically unexplored in this population. METHODS: We used data on individuals 12 years of age and older from the Canadian Community Health Survey 2013-2014 to estimate the marginal effects (ME) of having dental insurance in Ontario, Canada's most populated province (n = 42,553 representing 11,682,112 Ontarians). ME were derived from multi-variable logistic regression models for dental visiting behaviour and oral health status outcomes. We also investigated the ME of insurance across income, education and age subgroups. RESULTS: Having dental insurance increased the proportion of participants who visited the dentist in the past year (56.6 to 79.4%, ME: 22.8, 95% confidence interval (CI): 20.9-24.7) and who reported very good or excellent oral health (48.3 to 57.9%, ME: 9.6, 95%CI: 7.6-11.5). Compared to the highest income group, having dental insurance had a greater ME for the lowest income groups for dental visiting behaviour: dental visit in the past 12 months (ME highest: 17.9; 95% CI: 15.9-19.8 vs. ME lowest: 27.2; 95% CI: 25.0-29.3) and visiting a dentist only for emergencies (ME highest: -11.5; 95% CI: - 13.2 to - 9.9 vs. ME lowest: -27.2; 95% CI: - 29.5 to - 24.8). CONCLUSIONS: Findings suggest that dental insurance is associated with improved dental visiting behaviours and oral health status outcomes. Policymakers could consider universal dental coverage as a means to support financially vulnerable populations and to reduce oral health disparities between the rich and the poor.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».