Differences in Oral Lesions Associated with Tobacco Smoking, E-Cigarette Use and COVID-19 Infection among Adolescents and Young People in Nigeria
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.
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 | 0,001 |
| 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) | 0,001 | 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 ».