Prevalence of and factors associated with dental service utilization among early elderly in Lithuania
Notice bibliographique
Résumé
BACKGROUND: There is no recent information about dental service utilization (DSU) among elderly in Lithuania. We examined DSU and its associated factors in Lithuanian early elderly based on the Andersen's behavioural model. METHODS: The cross-sectional study conducted in 2017-2019 included a nationally representative stratified sample of 370 Lithuanian early elderly aged 65-74 years (response rate of 54.5%). Information on predisposing factors (age, sex, nationality and education), enabling factor (residence), need-based factors (status of teeth, oral pain or discomfort, and dry mouth), general health, personal health practices and perceived stress was obtained from a structured, self-administered questionnaire. Clinically-assessed need-based factors included number of missing teeth and dental treatment need. Multivariable Poisson regression with robust variance estimates was used. RESULTS: A total of 239 study participants (64.6%) reported a dental visit during the last year and 338 (91.4%) needed dental treatments. A higher level of education (adjusted prevalence ratio [aPR] = 1.21, 95% confidence interval [CI]:1.04-1.40), pain or discomfort in teeth/mouth (aPR = 1.35, 95%CI: 1.13-1.62) and lower number of missing teeth (aPR = 0.99, 95%CI: 0.98-1.00) were associated with DSU. CONCLUSIONS: Even though majority of early elderly needed dental treatments, only two-thirds visited a dentist during the last year. Predisposing and need-based factors were significant predictors of having a dental visit in the last year. A national oral health program for Lithuanian elderly with the focus on regular preventive dental check-ups is needed. More studies, both quantitative and qualitative, are warranted to investigate in depth the barriers for DSU among elderly in Lithuania.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».