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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».