Oral Lesions in a Teaching Clinic: A Retrospective Study and Systematic Review
Notice bibliographique
Résumé
Background/Objectives: Oral lesions can present with a wide range of clinical appearances, often making diagnosis challenging, particularly for dental students. This study aimed to identify the most common oral lesions treated at a teaching dental clinic and to compare these findings with data from a systematic review of similar clinical settings. The goal was to inform and calibrate a clinical classification system for oral pathology used in teaching environments. Methods: A retrospective analysis was conducted using electronic medical records from a university dental clinic over the past 10 years. Oral and maxillofacial pathology cases were categorized based on clinical and histopathological diagnoses. A systematic review was also performed to provide external context, with searches conducted across four electronic databases. Two independent reviewers carried out the study selection, data extraction, and quality assessment. The review adhered to the PRISMA guidelines. Results: A total of 524 patients were identified with oral lesions. The most frequently encountered clinical diagnostic category was developmental defects, while the most common histopathological diagnosis from biopsied cases was epithelial atypia. The systematic review yielded 1215 records, of which 69 were retrieved for full-text assessment, and 28 studies met the inclusion criteria. Conclusions: The findings highlight the predominance of specific oral and maxillofacial pathoses in teaching clinic settings, underscoring the importance of targeted educational strategies to improve diagnostic confidence among students. There is also a need for more consistent diagnostic grouping in oral pathology to enable better comparison across studies and support clinical and pre-clinical teaching. By integrating these insights, we propose a referenced classification framework that may improve standardization in the clinical teaching of oral lesions and enhance diagnostic calibration and teaching effectiveness in dental education.
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 | 0,008 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,010 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».