The Diagnosis of Periodontal Disease in Private Practice
Notice bibliographique
Résumé
BACKGROUND: Periodontal disease is an inflammatory reaction to the bacteria in dental plaque. The present study compared the prevalence of periodontal disease in patients using as a diagnostic either probing depth measurements, an inflammatory marker such as numbers of white blood cells in plaque samples, or microbiological markers such as the microscopic count and the benzoyl-DL-arginine naphthylamide (BANA) test. METHODS: Teeth with the most inflammation and/or deepest pockets in each quadrant were probed and subgingival plaque was sampled from 1,043 consecutive new patients enrolled in a private practice. Multivariate "diagnostic" models were developed based upon the probing depth (general linear models), percentage of white blood cell-positive and percentage of BANA-positive plaques (logistic regression models) to determine the prevalence of patients with periodontal disease. RESULTS: Plaque samples were removed from 3,694 sites. Fifty-two percent of sampled pockets were >4 mm; 49% of sites were inflamed, using the presence of white blood cells, and 28% were infected using the BANA test. Diagnostic models were highly significant at P<0.0001. The white blood cell model was the most parsimonious as demonstrated by the lowest Akaike information criteria statistic and had the highest receiver operator characteristic (ROC) curve relative to the probing depth and BANA models. CONCLUSIONS: Periodontal disease can be diagnosed chairside by the presence of white blood cells in plaque samples, a finding that reflects the inflammatory nature of the disease process. This approach would reduce the misclassification of subjects as having periodontal disease (130 patients in the present study who had pockets) but minimal evidence of an inflammatory response.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».