Novel Approach to Improving Specialist Access in Underserved Populations with Suspicious Oral Lesions
Notice bibliographique
Résumé
Late detection and specialist referral result in poor oral cancer outcomes globally. High-risk LRMU populations usually do not have access to oral medicine specialists, a specialty of dentistry, whose expertise includes the identification, treatment, and management of oral cancers. To overcome this access barrier, there is an urgent need for novel, low-cost tele-health approaches to expand specialist access to low-resource, remote and underserved individuals. The goal of this study was to compare the diagnostic accuracy of remote versus in-person specialist visits using a novel, low-cost telehealth platform consisting of a smartphone-based, remote intraoral camera and custom software application. A total of 189 subjects with suspicious oral lesions requiring biopsy (per the standard of care) were recruited and consented. Each subject was examined, and risk factors were recorded twice: once by an on-site specialist, and again by an offsite specialist. A novel, low-cost, smartphone-based intraoral camera paired with a custom software application were utilized to perform synchronous remote video/still imaging and risk factor assessment by the off-site specialist. Biopsies were performed at a later date following specialist recommendations. The study's results indicated that on-site specialist diagnosis showed high sensitivity (94%) and moderate specificity (72%) when compared to histological diagnosis, which did not significantly differ from the accuracy of remote specialist telediagnosis (sensitivity: 95%; specificity: 84%). These preliminary findings suggest that remote specialist visits utilizing a novel, low-cost, smartphone-based telehealth tool may improve specialist access for low-resource, remote and underserved individuals with suspicious oral lesions.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».