Oral Health Among Children and Youth With Special Health Care Needs
Notice bibliographique
Résumé
OBJECTIVES We sought to estimate the prevalence of oral health problems and receipt of preventive oral health (POH) services among children and youth with special health care needs (CYSHCN) and investigate associations with child- and family-level characteristics. METHODS We used pooled data from the 2016–2018 National Survey of Children’s Health. The analytic sample was limited to children 1 to 17 years old, including 23 099 CYSHCN and 75 612 children without special health care needs (non-CYSHCN). Parent- and caregiver-reported measures of oral health problems were fair or poor teeth condition, decayed teeth and cavities, toothaches, and bleeding gums. POH services were preventive dental visits, cleanings, tooth brushing and oral health care instructions, fluoride, and sealants. Bivariate and multivariable logistic regression analyses were conducted. RESULTS A higher proportion of CYSHCN than non-CYSHCN received a preventive dental visit in the past year (84% vs 78%, P < .0001). Similar patterns were found for the specific preventive services examined. However, CYSHCN had higher rates of oral health problems compared with non-CYSHCN. For example, decayed teeth and cavities were reported in 16% of CYSHCN versus 11% in non-CYSHCN (P < .0001). In adjusted analyses, several factors were significantly associated with decreased prevalence of receipt of POH services among CYSHCN, including younger or older age, lower household education, non-English language, lack of health insurance, lack of a medical home, and worse condition of teeth. CONCLUSIONS CYSHCN have higher rates of POH service use yet worse oral health status than non-CYSHCN. Ensuring appropriate use of POH services among CYSHCN is critical to the reduction of oral health problems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».