TELE-DENTISTRY IN RURAL AND UNDERSERVED POPULATIONS: A SYSTEMATIC REVIEW OF ACCESS AND TREATMENT OUTCOMES-A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Background Tele-dentistry has emerged as a promising solution to address oral health disparities in rural and underserved populations, where access to dental care remains limited due to geographic, economic, and workforce barriers. Despite growing interest in digital health platforms, the effectiveness and clinical utility of tele-dentistry in these settings remain inadequately synthesized in the literature. Objective This systematic review aims to evaluate the impact of tele-dentistry on access to care and treatment outcomes in rural and underserved populations compared to traditional in-person dental services. Methods A systematic review was conducted following PRISMA guidelines. Databases searched included PubMed, Scopus, Web of Science, and Cochrane Library from 2018 to 2024. Keywords combined using Boolean operators included "tele-dentistry," "rural," "underserved," "oral health," and "dental outcomes." Eligible studies included randomized controlled trials, cohort studies, and cross-sectional designs that assessed tele-dentistry in rural or underserved populations. Two reviewers independently screened studies, extracted data using a standardized form, and assessed risk of bias using the Cochrane Risk of Bias Tool and Newcastle-Ottawa Scale. Results Eight studies involving diverse populations across Australia, the United States, and India were included. Findings demonstrated that tele-dentistry significantly improved access to care, with high patient satisfaction and diagnostic accuracy comparable to traditional consultations (p < 0.05). However, variability in technology use and study design limited quantitative synthesis. Conclusion Tele-dentistry appears to be a clinically effective and accessible alternative for delivering dental care in underserved settings. While evidence supports its integration into routine practice, further large-scale, standardized studies are needed to evaluate long-term outcomes and implementation challenges.
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 | 0,010 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,012 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».