Understanding the complexities of oral healthcare delivery in correctional settings: a qualitative exploration of barriers, facilitators, and opportunities
Notice bibliographique
Résumé
BACKGROUND: People living in prison face exceptionally high prevalence rates of tooth decay, periodontal disease, and poor oral health-related quality of life. Despite its importance, various aspects of oral healthcare in prison settings remain understudied. The present study investigates the barriers and facilitators associated with providing and utilizing oral health services in prison settings, drawing on insights from prison health experts, managerial and custodial staff, healthcare providers, and individuals with lived experience of imprisonment. METHODS: From March to June 2023, a total of fifteen participants participated in semi-structured in-depth interviews. Interviews were conducted until data saturation to identify barriers and facilitators of oral health services in prisons. Potential areas for improvement were also explored. Thematic analysis was used to analyze the data. Themes and sub-themes were derived from the dataset and converted into preliminary codes which aligned with research objectives. RESULTS: The first topic, barriers, included two themes: organizational barriers related to the provision of services, and individual barriers related to the utilization of services. The second topic, facilitating factors, included six themes: funding, community partnership, substance use treatment, communicating with policy makers, transportation, and education. CONCLUSION: Ensuring the oral health of incarcerated individuals is a fundamental aspect of their right to health and a crucial factor in their successful reintegration into society. Formerly incarcerated people are often hard to reach in the community, making the period of confinement a unique opportunity to deliver quality oral healthcare. Given that most incarcerated individuals will eventually return to their communities, providing comprehensive healthcare, including oral health interventions, represents a valuable public health investment.
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 | 0,012 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,010 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».