Oral cancer: A multicenter study
Notice bibliographique
Résumé
BACKGROUND: To determine the prevalence and clinicopathologic features of the oral cancer patients. MATERIAL AND METHODS: Biopsy records of the participating institutions were reviewed for oral cancer cases diagnosed from 2005 to 2014. Demographic data and site of the lesions were collected. Sites of the lesion were subdivided into lip, tongue, floor of the mouth, gingiva, alveolar mucosa, palate, buccal/labial mucosa, maxilla and mandible. Oral cancer was subdivided into 7 categories: epithelial tumors, salivary gland tumors, hematologic tumors, bone tumors, mesenchymal tumors, odontogenic tumors, and others. Data were analyzed by descriptive statistics using SPSS software version 17.0. RESULTS: Of the 474,851 accessioned cases, 6,151 cases (1.30%) were diagnosed in the category of oral cancer. The mean age of the patients was 58.37±15.77 years. A total of 4,238 cases (68.90%) were diagnosed in males, whereas 1911 cases (31.07%) were diagnosed in females. The male-to-female ratio was 2.22:1. The sites of predilection for oral cancer were tongue, labial/buccal mucosa, gingiva, palate, and alveolar mucosa, respectively. The three most common oral cancer in the descending order of frequency were squamous cell carcinoma, non-Hodgkin lymphoma and mucoepidermoid carcinoma. CONCLUSIONS: Although the prevalence of oral cancer is not high compared to other entities, oral cancer pose significant mortality and morbidity in the patients, especially when discovered late in the course of the disease. This study highlights some anatomical locations where oral cancers are frequently encountered. As a result, clinicians should pay attention to not only teeth, but oral mucosa especially in the high prevalence area as well since early detection of precancerous lesions or cancers in the early stage increase the chance of patient being cured and greatly reduce the mortality and morbidity. This study also shows some differences between pediatric and elderly oral cancer patients as well as between Asian and non-Asian oral cancer patients.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».