Assessing the impact of oral health disease on quality of life in Ecuador: a mixed-methods study
Notice bibliographique
Résumé
Introduction Globally, oral health diseases surpass all other non-communicable diseases in prevalence; however, they are not well studied in underserved regions, where accessibility to dental services and oral health education is disparately worse. In Ecuador, further research is needed to understand such disparities better. We aimed to assess the effect of oral health disease on individuals' quality of life and how social disparities and cultural beliefs shape this. Methods Individuals 18 or older receiving care at mobile or worksite clinics from May to October 2023 were included. A mixed-methods approach was employed, involving semi-structured interviews, Oral Health-Related Quality of Life (OHRQoL) measures, and extra-oral photographs (EOP). Results The sample ( n = 528) included mostly females (56.25%) with a mean age of 34.4 ± 9.44. Most participants (88.26%) reported brushing at least twice daily, and less than 5% reported flossing at least once per day. The median OHRQoL score was 4 (min-max), significantly higher among individuals ≥40 years old, holding high school degrees, or not brushing or flossing regularly ( p < 0.05). Identified barriers to good oral health included affordability, time, and forgetfulness. Participants not receiving care with a consistent provider reported fear as an additional barrier. Participants receiving worksite dental services reported these barriers to be alleviated. Dental providers were the primary source of oral hygiene education. Most participants reported oral health concerns, most commonly pain, decay, dysphagia, and halitosis - consistent with EOP analysis. Discussion Findings underscore a need for multi-level interventions to advance oral health equity.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».