Risk indicators for dental caries, and gingivitis among 6–11-year-old children in Nigeria: a household-based survey
Notice bibliographique
Résumé
BACKGROUND: There is little is known about the factors associated with caries experience and gingivitis among 6-11-year-old children in Nigeria. The aim of the study was to determine the prevalence and preventive oral health behaviors associated with caries and gingivitis among 6-11-year-old children in Nigeria. METHODS: A cross-sectional questionnaire-based survey was conducted in Ile-Ife, Nigeria. The dependent variables were caries and gingivitis. The dmft/DMFT index was used to assess dental caries experience (present or absent) and caries severity. The gingival index was used to assess the prevalence (present or absent) and severity of gingivitis (healthy gingiva/mild gingivitis versus moderate/severe gingivitis). The independent variables were preventive oral health behaviors (frequency of daily tooth brushing, frequency of consumption of refined carbohydrates in-between-meals, use of fluoridated toothpaste, and use of dental floss, history of dental service utilization). A series of logistic regression analysis models were constructed to determine the associations between the dependent and independent variables after adjusting for confounders (age, sex, and socioeconomic status). RESULTS: There were 69 (5.2%) children with caries. The mean (standard deviation) dmft was 0.08 (0.457) and the mean DMFT was 0.02 (0.159). There were 839 (63.3%) children with gingivitis with a mean (SD) gingival index score of 0.503 (0.453). Children who seldom or never used fluoride toothpaste had significantly higher odds of developing moderate to severe gingivitis (AOR; 1.671; 95% CI: 1.003-2.786; p = 0.049). Children with middle socio-economic status had significantly lower odds of developing moderate to severe gingivitis (AOR: 0.573; 95%CI: 0.330-0.994; p = 0.048). There were no risk indicators identified for caries. CONCLUSION: The prevalence of dental caries was low while the prevalence of gingivitis was high in the study population. The daily used of fluoridated toothpaste seem to reduce the risk for moderate/severe gingivitis. Further studies are needed to understand these findings.
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) | 0,000 | 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 | 0,000 | 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 ».