Causative Factors of Tooth Wear among Patients Visiting a Tertiary Care Hospital in Lahore
Notice bibliographique
Résumé
Background: Tooth wear, or as it is also often referred to as non-carious tooth surface loss (TSL), can be described simply as ‘the pathological non-carious loss of tooth tissue’. Tooth wear is often multifactorial in nature, making clinical diagnosis difficult. Identification of the etiology is essential for the successful management of the pathology. Methods: A total of 120 patients of both male and female with tooth wear were selected from dental OPD. Patients with age group 25-65years with tooth wear in at least two teeth according to basic erosive wear examination (BEWE) were included. Questionnaire covering primary risk factors that might cause tooth wear was used Data was analyzed using SPSS version 24.0. Results: Out of the 120 tooth wear patients, 69(57%) were male and 51(43%) were females. tooth wear presented more in males as compared to females. 42.24% patients reported with habit of tea consumption and 32.5% with cold drinks. 45% males and 43.4% females had gastric reflex disease. 60.9% male patients had problem of bruxism and clenching. Conclusion: This study reported that TSL has a multifactorial etiology. Parafunction, gastro esophageal reflux disease (GORD) and consumption of carbonated drinks were the most commonly observed causative factors. Keywords: Tooth wear, Erosion, Abrasion, Attrition, Causative factor
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,004 | 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 ».