Factors Associated With Dental Service Utilization Based On Andersen Model Among Adults (18 To 64 Years) In PIMS Hospital, Islamabad
Notice bibliographique
Résumé
Objectives: To determine the association and frequencies or percentages of factors influencing dental service utilization among adults based on the Andersen model. Methodology: A cross-sectional study with convenience sampling was conducted, involving 385 adults aged 18-64 years. Data on factors based on the Andersen model, including predisposing, enabling, and need-based factors, were collected through a questionnaire. Clinically-assessed need-based factors, such as missing teeth and dental treatment need, were also included. Data were analyzed using SPSS version 26, employing frequencies, percentages, and chi-square tests. Results: Among the study participants, 134 out of 385 individuals (34.8%) had a dental visit in the past year, and 294 out of 385 (76.4%) required dental treatments. Significant associations were observed between dental service utilization and factors such as education, residence, income, self-reported tooth/mouth pain, missing teeth, and treatment need (p < 0.05). These associations were determined while maintaining a 95% confidence interval and a margin of error of 5%. Conclusion: The study found that factors such as education, place of residence, income levels, self-reported mouth pain, missing teeth, and the need for dental treatment significantly influenced dental service utilization among adults. The findings highlight the importance of targeted interventions and policies to improve accessibility and utilization of dental services, particularly for underserved populations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».