Knowledge and Practice Regarding Oral Cancer: A Study Among Dentists in Jakarta, Indonesia
Notice bibliographique
Résumé
OBJECTIVE: To assess Indonesian dentists' knowledge of risk factors and diagnostic procedures related to oral cancer (OC) and to determine the factors that influenced their level of knowledge. METHODS: A modified version of a questionnaire that had been used to assess dentists' knowledge regarding OC in Canada was used. A total of 816 dentists were invited to participate in the study. RESULTS: The total response rate was 49.2%; however, the number of dentists from 5 regions in Jakarta were equally represented. Use of tobacco or alcohol and history of previous OC were the top 3 risk factors that were answered correctly by dentists, but there was a high proportion of dentists who considered some without any evidence as risk factors. Almost half of the dentists did not know the early signs of OC and that erythroplakia and leukoplakia were associated with increased risks of developing OC. Only about 27% of dentists had a high level of knowledge of risk factors and fewer dentists demonstrated a good knowledge of diagnostic procedures. Dentists' age group, year of graduation, and experience of continuing education significantly influenced the level of knowledge of diagnostic procedures (P < .05). CONCLUSION: Dentists in Jakarta had a considerable level of knowledge of major risk factors of OC, although some gaps in their knowledge, especially in diagnostic procedures, were present. Increasing these competencies may aid in the prevention and early detection of OC.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».