Differences in Oral Lesions Associated with Tobacco Smoking, E-Cigarette Use and COVID-19 Infection among Adolescents and Young People in Nigeria
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
COVID-19 infection is associated with oral lesions which may be exacerbated by tobacco smoking or e-cigarette use. This study assessed the oral lesions associated with the use of e-cigarettes, tobacco smoking, and COVID-19 among adolescents and young people in Nigeria. A national survey recruited 11–23-year-old participants from the 36 States of Nigeria and the Federal Capital Territory, Abuja. Data were collected using Survey Monkey®. Binary logistic regression analysis was conducted. Statistical significance was set at p-value less than 0.05. There were 2870 participants, of which 386 (13.4%) were tobacco smokers, 167 (5.8%) e-cigarette users, and 401 (14.0%) were both e-cigarette and tobacco users; and 344 (12.0%) had ever tested positive to COVID-19. Adolescents and young people who smoked tobacco had more than twice the odds of reporting gingival inflammation, oral ulcers, dry mouth, and changes in taste than those who did not smoke. Those who used e-cigarettes had 1.5 times higher odds of reporting oral lesions. Respondents who had COVID-19 infection had higher odds of reporting gingival inflammation and lower odds of reporting dry mouth than those who did not have COVID-19 infection. These findings were significant, and may help clinicians to screen for tobacco use and COVID-19 among adolescents and young people in Nigeria.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle