Influence of fluorescence on screening decisions for oral mucosal lesions in community dental practices
Notice bibliographique
Résumé
BACKGROUND: Quality of oral screening examinations is dependent upon the experience of the clinician and can vary widely. Deciding when a patient needs to be referred is a critical and difficult decision for general practice clinicians. A device to aid in this decision would be beneficial. The objective of this study was to to examine the utility of direct fluorescence visualization (FV) by dental practitioners as an aid in decision-making during screening for cancer and other oral lesions. METHODS: Dentists were trained to use a stepwise protocol for evaluation of the oral mucosa: medical history, head, neck and oral exam, and fluorescent visualization exam. They were asked to use clinical features to categorize lesions as low (LR), intermediate (IR), or high (HR) risk and then to determine FV status of these lesions. Clinicians made the decision of which lesions to reassess in 3 weeks and based on this reassessment, to refer forward. RESULTS: Of 2404 patients screened over 11 months, 357 initially had lesions with 325 (15%) identified as LR, 16 (4.5%) IR, and 16 (4.5%) HR. Lesions assessed initially as IR and HR had a 2.7-fold increased risk of FV loss persisting to the reassessment appointment versus the LR lesions. The most predictive model for lesion persistence included both FV status and lesion risk assessment. CONCLUSION: A protocol for screening (assess risk, reassess, and refer) is recommended for the screening of abnormal intraoral lesions. Integrating FV into a process of assessing and reassessing lesions significantly improved this model.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».