Using Geographic Information System(GIS) to Explore the Spatial Association Between Neighborhood Contexts and Oral Health Outcomes in a Pediatric Population
Notice bibliographique
Résumé
ABSTRACT: Aims: This study aimed to explore the impacts of neighborhood-level socioeconomic contexts (e.g., income, education) on the therapeutic and preventative dental quality outcome of children aged 3 to 15 years. Materials and Methods Anonymized billing data of 842 patients reporting to a university Children’s Dental over three years met the inclusion criteria. Their access to care (OEV-CH-A), topical fluoride application (TFL-CH-A) and dental treatment burden (TRT-CH-A) were determined by dental quality alliance (DQA) criteria. The three oral health variables were aggregated at a neighborhood-level and analyzed with census data provided by Statistics Canada within a GIS framework. The forward sortation area (FSA) was chosen as a neighborhood spatial unit and regression models were run both the individual and neighborhood level. Results: The individual-level regression models showed significant negative associations between OEV-CH-A (p=0.027) and TFL-CH-A (p=0.001) and the cost of dental care. There was a significant negative association between TRT-CH-A and median household income. Neighborhood-level Ordinary Least Squares (OLS) linear regression models show negative associations of all three dental health variables (OEV-CH-A, TFL-CH-A, TRT-CH-A) with median household income and the number of households without a college degree. Conclusion: GIS and spatial quantitative approaches may be an effective tool to explore the impacts of socioeconomic variables on oral health outcomes.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».