Screening tools and strategies for early detection of oral cancer and potentially malignant disorders in rural and low-resource populations: A systematic review
Notice bibliographique
Résumé
Oral cancer and its precursor lesions, known as oral potentially malignant disorders (OPMDs), present significant public health challenges due to high morbidity and mortality rates. These issues are particularly pronounced in rural and remote populations, where access to specialized care and early diagnostic services is limited. Socioeconomic disparities, healthcare provider shortages, and geographic isolation contribute to delayed diagnoses and poorer outcomes in these settings. This systematic review evaluated 40 studies focused on early detection strategies for OPMDs and oral squamous cell carcinoma (OSCC) in underserved populations, particularly in rural and low-resource environments. Across 136,257 participants, the review identified diverse screening tools including oral visual examinations, toluidine blue staining, autofluorescence, chemiluminescence, mobile health (mHealth) applications, and artificial intelligence (AI)-based image analysis. The use of low-cost, portable, and technology-driven tools, especially those enabling remote diagnosis and task-sharing with frontline health workers, showed promise in increasing diagnostic accuracy and screening reach. However, variability in performance, training needs, and follow-up adherence remain key limitations. The review also highlighted widespread use of community-based strategies and the value of interdisciplinary collaboration, particularly where dental specialists are not readily available. Innovative, context-sensitive screening tools supported by interdisciplinary networks hold strong potential to enhance early detection of OPMDs and OSCC in rural and underserved communities. Mobile technologies and AI applications are emerging as practical adjuncts to traditional screening methods. To optimize impact, future efforts should prioritize validation of these tools against histopathological standards and the integration of trained non-specialist health workers in community-based screening programs.
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 | 0,007 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,012 |
| Bibliométrie | 0,005 | 0,005 |
| 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 | 0,002 | 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 ».