Methods used for caries detection and diagnosis in Ontario dental practices: a cross-sectional survey
Notice bibliographique
Résumé
BACKGROUND: Early detection of caries is essential for applying non-surgical treatment procedures and preventing the formation of cavitated lesions leading to unnecessary removal of tooth structure. Understanding dentists' preferences for caries detection tools can inform stakeholders about their strategies and knowledge of contemporary, evidence-based caries management approaches. However, there is a lack of research exploring the detection methods of caries commonly used by dentists in Ontario, Canada. The objective of this study was to investigate the methods of caries detection and diagnosis preferred by dentists in Ontario. METHODS: A 21-item self-reported survey was mailed to one thousand Ontario dental practices in the Winter of 2022. Descriptive and bivariate data analysis were performed to determine the associations between: demographics and professional practice characteristics (explanatory variables), and methods for detecting and diagnosing dental caries (outcome variables) using SPSS Statistics 29.0. RESULTS: A total of 325 dentists (33%) responded to the survey, with 274 answering all of the questions completely. The highest proportion of respondents were 35-44 years of age (32.8%) and male (53.4%). More than half of the respondents reported using a dental explorer to assess primary occlusal caries (57.6%), secondary caries (57.1%), and cervical caries (57.5%). Likewise, 57.9% of the participants reported using dental radiographs to diagnose proximal caries. Among additional caries detection tools, digital radiography (89.8%) and traditional radiography (84.7%) were the most used methods/modalities, while cone beam computed tomography was the least (12.8%). Most study participants did not use any caries classification system (77.7%) or caries risk assessment tool (85.3%). CONCLUSIONS: Participants preferred conventional methods for caries detection, instead of contemporary visual-tactile caries lesions classification and/or caries risk assessment systems. These findings indicate a need for continuing dental education programs tailored to evidence-based caries management approaches.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».