White oral mucosal lesions among the Yemeni population and their relation to local oral habits
Notice bibliographique
Résumé
AIMS: The aim of the present study was to assess the prevalence and risk factors of white oral mucosal lesions among Yemeni adults; in particular, those who chew khat and tobacco. METHODS: The present cross-sectional study included 1052 dental patients aged 15 years and older. A detailed oral examination was performed by a single examiner in accordance with standard international criteria. RESULTS: Overall, 25.2% of the study participants presented with one or more white lesions. The most prevalent lesions were khat-induced white lesion (8.8%), leukoedema (5.1%), and frictional keratosis (3.9%). Potentially malignant lesions, such as lichen planus, leukoplakia, and smokeless tobacco-induced lesions, were seen in 2.4%, 1.2%, and 1.7% of participants, respectively. Moreover, three cases of oral cancer were identified. The presence of white lesions was found to be significantly associated with advanced age (P = .004), male gender (P = .009), and khat/tobacco chewing habits (P < .001). CONCLUSIONS: The present study demonstrates a high prevalence of oral benign and potentially malignant white lesions. Further, it highlights the urgent need to develop and implement new government policies to regulate the sale of these products to reduce the prevalence of these lesions and the overall incidence of oral cancers in the Yemeni population.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,002 | 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 ».