Smoking, a weak predictor of periodontitis in older adults
Notice bibliographique
Résumé
BACKGROUND: The impact of smoking habits on periodontal conditions in older subjects is poorly studied. AIMS: To assess if a history of smoking is associated with chronic periodontitis and medical history in older subjects. MATERIAL AND METHODS: The medical and dental history was collected from 1084 subjects 60-75 years of age. Smoking history information was obtained from self-reports. Periodontal variables [clinical probing depth (PD)>/=5.0 mm, clinical attachment levels (CALs) >/=4.0 mm], and radiographic evidence of alveolar bone loss were assessed. RESULTS: 60.5% had never smoked (NS), 32.0% were former smokers (FS) (mean smoke years: 26.1 years, SD+/-13.1), and 7.5% were current smokers (CS) (mean smoke years 38.0 years, (SD+/-12.1). The proportional distribution of CAL >/=4.0 mm differed significantly by smoking status (NS and CS groups) (mean difference: 12.1%, 95% confidence interval (CI): 1.5-22.6, p<0.02). The Mantel-Haenszel common odds ratio between smoking status (CS+FS) and periodontitis (>20% bone loss) was 1.3 (p<0.09, 95% CI: 0.9-2.0) and changed to 1.8 (p<0.02, 95% CI: 1.3-2.7) with 30 years of smoking as cutoff. A weak correlation between number of years of smoking and CAL>/=4.0 mm was demonstrated (r(2) values 0.05 and 0.07) for FS and CS, respectively. Binary logistic forward (Wald) regression analysis demonstrated that the evidence of carotid calcification, current smoking status, gender (male), and the number of remaining teeth were explanatory to alveolar bone loss. CONCLUSIONS: A clinically significant impact on periodontal conditions may require 30 years of smoking or more. Tooth loss, radiographic evidence of carotid calcification, current smoking status, and male gender can predictably be associated with alveolar bone loss in older subjects.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».