Barriers to oral care: a cross-sectional analysis of the Canadian longitudinal study on aging (CLSA)
Notice bibliographique
Résumé
Abstract Background Oral health plays a role in overall health, indicating the need to identify barriers to accessing oral care. The objective of this study was to identify barriers to accessing oral health care and examine the association between socioeconomic, psychosocial, and physical measures with access to oral health care among older Canadians. Methods A cross-sectional study was conducted using data from the Canadian Longitudinal Study on Aging (CLSA) follow-up 1 survey to analyze dental insurance and last oral health care visit. Logistic regression was used to estimate odds ratios (ORs) and 95% confidence intervals (CIs) for the association between socioeconomic, psychosocial, and physical measures with access to oral care, measured by dental insurance and last oral health visit. Results Among the 44,011 adults included in the study, 40% reported not having dental insurance while 15% had not visited an oral health professional in the previous 12 months. Several factors were identified as barriers to accessing oral health care including, no dental insurance, low household income, rural residence, and having no natural teeth. People with an annual income of <$50,000 were four times more likely to not have dental insurance (adjusted OR: 4.09; 95% CI: 3.80–4.39) and three times more likely to report not visiting an oral health professional in the previous 12 months (adjusted OR: 3.07; 95% CI: 2.74–3.44) compared to those with annual income greater than $100,000. Conclusions Identifying barriers to oral health care is important when developing public health strategies to improve access, however, further research is needed to identify the mechanisms as to why these barriers exist.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,284 | 0,001 |
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 ».