Obstructive Sleep Apnea Knowledge Among Dentists and Physicians
Notice bibliographique
Résumé
Study Objectives: Obstructive sleep apnea (OSA) is a largely undiagnosed and untreated sleep disorder with public health implications. This study investigated whether dentists were as knowledgeable about OSA as physicians. Methods: Two convenience samples of California dentists were surveyed online (N=107) and in-person (N=63) between January and April 2019 using the 18 knowledge items from the validated Obstructive Sleep Apnea Knowledge and Attitudes (OSAKA) Questionnaire. California dentists' total score was then compared to a compilation of published physicians' total OSA-knowledge scores from 12 studies (2003-2020) using Chi-square tests with Bonferroni adjusted p < 0.0023. OSA-knowledge gaps and competencies were also compared on individual item data provided for nine of the published physician studies. Results: Mean total correct OSA-knowledge scores were 73.6% for California dentists (N=170) and 63.9% across all physicians (N=2,559); scores were 84.5% for Canadian otolaryngology residents (N=66), 75.6% for U.S. physicians (N=305), and 62.3% for all other non-U.S. physicians (N=2,188). The all-physician group had more knowledge gaps than dentists. Conclusion: Dentists had noninferior knowledge of OSA compared with most physician groups. Findings suggest that dentists may serve to increase the number of healthcare providers able to identify and treat patients with OSA, mitigating this healthcare gap. Suboptimal sleep medicine and OSA training in medical and dental education remains a challenge, perpetuating the public health ramifications of underdiagnosed and undertreated OSA. Clinical Implications: Engaging more dentists to identify patients at risk for OSA at the point of care and treat or refer patients for treatment, as appropriate, helps meet this public health need.
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 | 0,001 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».