Triple Jeopardy in Oral Health: Additive Effects of Immigrant Status, Education, and Neighborhood
Notice bibliographique
Résumé
Purpose: To estimate the additive effects of parent’s nativity status/language spoken at country of birth, education, and area-level socioeconomic status (SES) on untreated dental caries among children aged 5 to 9 y in Australia. Methods: Cross-sectional population-based data were obtained from the 2014 National Child Oral Health Study (N = 12,140). Indicators of social position used to explore additive effects on dental caries included nativity status, language, university degree, and neighborhood socioeconomic level. Multiple-way interactions were examined, and departure from additivity resulting from 2- and 3-way interactions were estimated as relative excess risk due to interaction (RERI). Results: Children marginalized across multiple layers of disadvantage had substantially higher frequencies of dental caries compared with children in the most advantaged category. RERI for the 3-way interaction between immigrant status, education, and neighborhood SES was negative (RERI 3 : −0.14; 95% confidence interval [CI]: −1.68, 1.40). When operationalizing language, education, and neighborhood SES, the joint effect of the 3 marginalized positions was additive (RERI 3 : 0.43; 95% CI: −2.08, 2.95). Conclusion: Children marginalized across multiple intersecting axes of disadvantage bear the greatest burden of dental caries, with frequencies surpassing the cumulative effect of each social position alone. Findings emphasize the need to account for intersecting inequities and their oral health effects among children with immigrant backgrounds. Knowledge Transfer Statement: Our analysis underscores the necessity for policies and public health strategies targeting dental caries–related inequities to comprehensively account for various indicators of social disadvantage, particularly encompassing language proficiency, educational attainment, and neighborhood socioeconomic status. Within the intricate interplay of these factors, we identify a vulnerable subgroup comprising children with the highest prevalence of dental decay. Therefore, prioritizing this specific demographic should be the focal point of policies and public health initiatives aimed at fostering equitable oral health outcomes.
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 | 0,003 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».