Decision making on detection and triage of oral mucosa lesions in community dental practices: screening decisions and referral
Notice bibliographique
Résumé
UNLABELLED: Oral cancer is a substantial, often unrecognized issue globally, with close to 300 000 new cases reported annually. It is a management conundrum: a cancer site that is easily examined; yet more than 40% of oral cancers are diagnosed at a late stage when prognosis is poor and treatment can be devastating. Opportunistic screening within the dental office could lead to earlier diagnosis and intervention with improved survival. OBJECTIVE: To describe how clinicians make decisions about referral based on the risk classification of the lesion. METHODS: Eighteen dentists from 15 dental offices participated in a 1-day workshop on oral cancer screening. Participants then screened patients (medical history, conventional oral exam, fluorescent visualization examination) in-office for 11 months, triaging patients by apparent clinical risk: low risk (common benign conditions, geographic tongue, candidiasis, trauma), intermediate risk (lichenoid lesions) and high risk (white or red lesions or ulcers without apparent cause). Clinicians made the decision on which lesions to reassess in 3 weeks based on risk assessment and clinical judgment. Lesions of concern were seen by a community facilitator or referred to an oral medicine specialist. RESULTS: Of 2542 patients were screened, and 389 lesions were identified (15% of patients). 350 were determined to be low risk (90%), 19 intermediate risk (IR) (5%), and 20 high risk (HR) (5%). One hundred and sixty-six (43%) patients were recalled for 3-week reassessment: 90% of HR lesions, 63% of IR lesions (63%), and 39% of low-risk lesions. Compliance to recall was high (92% of cases). Reassessment eliminated the referral of 99/166 (60%) of lesions that had resolved. six lesions were biopsied with three low-grade dysplasias identified. CONCLUSIONS: Three key decision points were tested: risk assessment, need for reassessment, and need for referral. A 3-week reassessment appointment was invaluable to prevent the unnecessary referral due to confounders. There is a need for a well-defined triage pathway to facilitate oral cancer screening and a methodical and consistent approach to opportunistic screening in the dental office.
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 | 0,008 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».