Prevalence of oral submucous fibrosis among areca nut chewers: A systematic review and meta‐analysis
Notice bibliographique
Résumé
BACKGROUND: Worldwide millions peoples consume AN who are at risk of OSMF. Prevalence of OSMF is reported between 0.03% and 30% irrespective of AN habit. Further, these estimates are based on sample population comprised of OSMF patients or general population rather AN chewers (ANC). Therefore, available evidence does not reflect the true prevalence of OSMF among ANC. METHOD: The studies providing the prevalence of OSMF in ANC were identified in PubMed, Scopus, and Web of Science. Pooled prevalence and quality assessment using New-Ottawa Scale were performed. RESULTS: Fifteen studies reported the prevalence of OSMF (929) in ANC (53,213). Most studies were from China (six studies) and India (four studies) correlating with regions having high ANC. The pooled prevalence of OSMF in ANC was 5% (0.05 [95% CI, 0.03, 0.08]). All studies' quality was satisfactory; however, the OSMF diagnosis method, age, gender, and habits need further scrutiny. CONCLUSION: Available evidence suggested a low prevalence of OSMF in ANC, although further large-scale studies are recommended to validate this finding. Understanding the prevalence and distribution patterns of OSMF might aid intervention healthcare programs and contribute to the reduction of the oral cancer burden related to OSMF.
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,018 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».