Building effective public dental care programs: The critical role of implementation evaluation
Notice bibliographique
Résumé
There are significant income-related inequities in oral health and access to oral health care. Public dental programs generally aim to increase access to oral health care for individuals with financial barriers through government payments for appointments. Low engagement from both oral health care providers and intended patients are common challenges in delivery of public dental programs, and are impediments to program impact and outcomes. Still, these programs rarely address the systemic issues that affect the experiences of intended users. This accentuates the importance of monitoring of program delivery to refine or adapt programs to better meet needs of service providers and users. As such, specifying program goals and developing a related monitoring strategy are critical as Canada begins to implement a national public dental program. Drawing on an example of a pediatric public dental program for children from low-income families or with severe disabilities in Ontario, Canada, this article illustrates how an implementation and evaluation framework could be applied to measure implementation and impact of the national program. The RE-AIM framework measures performance across five domains: (1) Reach, (2) Effectiveness (patient level), (3) Adoption, (4) Implementation (provider, setting, and policy levels), and (5) Maintenance (all levels). Given the disparities in oral disease and access to oral health care, the results can be used most effectively to adapt programs if relevant stakeholders participate in reviewing data, investigating quality gaps, and developing improvement strategies.
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 | 0,006 | 0,001 |
| 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 | 0,001 |
| 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 ».