Integrating oral and social factors in individual caries risk assessments in preschool children—a registry-based study
Notice bibliographique
Résumé
PURPOSE: To investigate the predictive ability of individual Caries Risk Assessments (CRA) regarding oral factors supplemented with social factors in relation to caries outcome in preschool children. Furthermore, to assess various models of CRA with oral and social factors included, aiming to identify the most suitable models for different age groups. METHODS: The design is a retrospective registry-based cohort study. Children visiting the dentists at ages 3 and 6 years were included. Data on oral and social factors were obtained from dental records, the Swedish Quality register for caries and periodontitis (SKaPa), and Statistics Sweden (SCB). Various models of CRA were designed, combining oral and social factors. Models were analyzed with univariable associations using simple logistic regression, and the results were presented as odds ratios (ORs). In addition, models were analyzed with area under the receiver operating characteristic (ROC) curve (AUC). Pairwise comparisons were conducted by DeLong's test, with p < 0.05 considered significant. RESULT: Oral factors were the most significant for caries outcome (OR 9.6), followed by social factors: foreign background (OR 4.6), low income (OR 2.83), low education of the mother (OR 2.77), single-parent family (OR 2.11), and having ≥ 3 siblings (OR 1.71), (p < 0.01). The predictive ability of CRA improved when models combining oral and social factors were used, compaired to CRA based solely on oral factors (p < 0.05). An increase of up to 15% was seen when CRA was conducted closer to the outcome. CONCLUSION: Models for Caries Risk Assessment including oral and social factors increase the predictive ability. Caries Risk Assessment has limited durability.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 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 ».