Geospatial Analysis of Dental Access and Workforce Distribution in Kenya
Notice bibliographique
Résumé
<strong>Background and Objective:</strong> One of the major factors affecting access to quality oral healthcare in low- and middle-income countries is the under-supply of the dental workforce. The aim of this study was to use Geographical Information System (GIS) to analyse the distribution and accessibility of the dental workforce and facilities across the Kenyan counties. <strong>Methods: </strong>This was a cross-sectional study targeting dental professionals and their practices in Kenya in 2013. Using QGIS 3.16, these data were overlaid with data on population size and urbanization levels. For access measurement, buffers were drawn around each clinic at distances of 2.5, 5, 10 and 20 km, and the population within each determined. <strong>Findings:</strong> Nine hundred six dental professionals in 337 dental clinic locations were included in the study. Dentists, community oral health officers (equivalent to dental therapists) and dental technologists comprised 72%, 15% and 12%, respectively. Nairobi county with 100% urbanization and >4000 people/km<sup>2</sup> had 43% of the workforce and a dentist to population ratio of 1:9,018. Wajir with an urbanization level of 15% and 12 people/km<sup>2</sup> had no dental facility. Overall, 11%, 19%, 35% and 58% of the Kenyan population were within 2.5, 5, 10 and 20 km radius of a dental clinic respectively. <strong>Conclusion: </strong>Maldistribution of dental workforce in Kenya persists, particularly in less urbanized and sparsely populated areas. GIS map production give health planners a better visual picture of areas that are most in need of health care services based on population profiles.
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 | 0,002 |
| 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 ».