Prevalence and Distribution of Oral Mucosal Lesions in a Geriatric Indian Population
Notice bibliographique
Résumé
BACKGROUND: Oral health is important to individuals of all age groups. Previous epidemiologic studies of the oral health status of the general population in India provided very little information about oral mucosal lesions in the elderly. Hence, the purpose of the present study was to determine the prevalence of the oral lesions in a geriatric Indian population. METHODS: 5,100 patients were clinically evaluated, with age ranging from 60 to 98 years. There were 3,100 males and 2,000 females, with a mean age of 69 ± 6.3 yrs. The statistical analysis was done using the SPSS software, where p < .05 was considered to be significant. RESULTS: 64% of the patients presented with one or more oral lesions, associated to tobacco, betel nut consumption, and lesions secondary to trauma and prosthesis. Males were more affected than females and this difference was clinically not significant (p > .05). The lesions were more frequently observed between 65 to 70 yrs. The most common alterations observed were smoker's palate (43%), denture stomatitis (34%), oral submucous fibrosis (30%), frictional keratosis (23%), leukoplakia (22%), and pyogenic granuloma (22%). Hard palate was the most commonly affected site (23.1%). CONCLUSIONS: The findings of the present study provide important information when clinically evaluating oral cavity in elderly. Close follow-up and systematic evaluation is required in the elderly population to plan future treatment needs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».