Exploring the association between dental insurance coverage and dental care utilization and oral health among elderly Ontarians
Notice bibliographique
Résumé
OBJECTIVES: There has been an increasing interest in addressing the equity issue of accessing dental care for low-income elderly. This study aimed to estimate the marginal effects (ME) of dental insurance coverage for seniors on dental care utilization and oral health status outcomes. We also estimated the ME of dental insurance across income subgroups. METHODS: Data was sourced from the 2017/18 Canadian Community Health Survey (CCHS)-Annual component. The ME analysis included individuals aged ≥65 years residing in Ontario (n = 10,030). ME were derived from multivariate probit regression models for dental care utilization and oral health status outcomes. RESULTS: Dental insurance increased the likelihood of reporting excellent/very good oral health and never avoiding foods due to oral problems by 6.9% (ME:6.9, 95% CI: 5.4-8.3) and 3.5% (ME: 3.5, 95% CI: 1.9-5.1), respectively. Dental insurance increased the likelihood of dental visits within the past year by 11.3% (ME: 11.3, 95% CI: 9.8-12.8) and decreased the likelihood of dental visits only for emergencies by 11.2% (ME: -11.2, 95% CI: -12.5 to -9.9). Compared to low- and high-income groups, dental insurance had the highest ME for the middle-income groups for dental visits within the past year (ME middle: 13.1, 95% CI: 10.5-15.7) and dental visits only for emergencies (ME middle: -14.4, 95% CI: -16.0 to -12.8). CONCLUSION: Dental insurance can improve the utilization of dental care and can help mitigate the negative effects of poor oral health in elderly 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 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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».