When Patients Fall Asleep in the Dental Chair — A Wake-up Call for Dentists
Notice bibliographique
Résumé
Excessive daytime sleepiness (EDS) can be a symptom of several underlying disorders. Dental professionals are in a unique position to observe and recognize EDS in their patients. Recognizing EDS and referring patients for diagnosis can be life-saving. Dentists can also be involved in the treatment of some disorders associated with EDS. What should we think of a patient who dozes off in the waiting room or a treatment chair? As health providers, should we be concerned? Possible scenarios for patients who fall asleep at the dental office range from situations where patients may be acutely fatigued and simply “catching up” in a comfortable environment to situations where patients may be chronically sleepy and suffering from a pathologic and treatable condition. Sleepiness occurs in 5% to 13% of the general population. 1 Falling asleep in the dental environment may be a sign of EDS. Common causes of EDS are listed in Table 1. 2 Why should we be concerned about sleepy patients? Patients who are chronically sleepy are a danger to themselves and others. A few moments of careful consultation could enable dentists to direct patients with EDS toward treatment that might improve quality of life, decrease cardiovascular morbidity and, ultimately, save lives. These are high expectations for a brief consultation. Sleep deprivation has become common in society. Many people are chronically fatigued. Patients who are sleepy put their own lives and the lives of others at risk. When patients with EDS drive or operate machinery, chances of accidents increase. A person who stays awake for 24 hours has the performance equivalence of a person with a blood alcohol level of 0.10%.3
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 | 0,002 |
| 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 ».