Age and sex differences in the association of dental visits with inadequate oral health and multimorbidity: Findings from the Canadian Longitudinal Study on Aging (CLSA)
Notice bibliographique
Résumé
BACKGROUND: Dental attendance is important for the prevention, diagnosis, and treatment of oral diseases. In this study, we aimed to assess the extent of the association between dental visits, inadequate oral health, and multimorbidity (MM), and whether this association differs by age and sex. METHODS: We conducted a cross-sectional analysis of the first follow-up wave (2018) of the Canadian Longitudinal Study on Aging (CLSA). Poor self-reported oral health (SROH), oral health problems, and edentulism were used to indicate inadequate oral health. MM was defined as having 2 or more chronic conditions out of cancer, cardiovascular diseases, chronic respiratory diseases, diabetes, and mental illnesses. Dental visiting was determined as the number of visits to a dental professional within the past 12 months. Covariates included socioeconomic, behavioural factors, and the availability of dental insurance. We constructed multivariable Poisson and logistic regression models with interactions terms and estimated the relative excess risk due to interaction prevalence ratio (RERIPR) to assess the effect measure modification of age and sex on the associations of interest. We conducted sensitivity analyses and estimated E-values for unmeasured confounding. RESULTS: In this sample (n = 44,815), dental visiting was inversely associated with inadequate oral health and MM in adjusted models, reducing the odds/prevalence of poor SROH (OR 0.41, 95% CI 0.34, 0.51), oral health problems (PR 0.89, 95% CI 0.79, 0.94), edentulism (OR 0.10, 95% CI 0.06, 0.15), and MM (PR 0.86, 95% CI 0.79, 0.92). These associations were stronger in older age and females. CONCLUSION: Dental visiting may contribute to better oral health and reduced chronic diseases in the middle-aged and older population. Our findings suggest the need for age and sex-specific targeted interventions to optimize oral and overall health.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».