Optimizing Oral Cancer Screening: Latent Class Analysis of Chairside Adjuncts in a High-Risk Dental Cohort
Notice bibliographique
Résumé
INTRODUCTION: Oral cancer remains a major public health challenge in high-burden regions, and late diagnosis contributes to poor survival. Conventional oral examination (COE) may be limited by subjectivity and low specificity, prompting the evaluation of adjuncts, such as toluidine blue (TB) staining, autofluorescence imaging, and oral brush cytology. This study applied latent class analysis (LCA) to estimate the unbiased diagnostic performance of multiple chairside tests in a single cohort. MATERIALS AND METHODS: A cross-sectional diagnostic study was conducted on 100 adults (aged 18-70 years) with visible oral lesions. Sequential testing included COE, VELscope autofluorescence (LED Dental Inc., White Rock, British Columbia, Canada), OralCDx brush cytology (CDx Diagnostics, Suffern, NY, USA), and 1% TB staining, which were performed under standardized conditions by calibrated examiners (kappa > 0.80). Incisional biopsy was performed for lesions that were positive in ≥2 tests. LCA modeled the true disease status without universal verification; traditional metrics used histopathology as a reference. RESULTS: Histopathology confirmed dysplasia or malignancy in 43 patients (43%). COE showed high sensitivity (83.7%), but low specificity (54.4%). TB staining yielded a sensitivity of 69.8% and specificity of 86.0%, and autofluorescence showed a sensitivity of 60.5% and specificity of 89.5%. Brush cytology achieved a balanced accuracy (sensitivity 83.7%; specificity 80.7%), with the strongest correlation with histopathology (r = 0.64). LCA identified two latent classes, brush cytology and TB, demonstrating superior class discrimination. The inter-test agreement was highest between COE and TB (r = 0.61). CONCLUSIONS: No single test was found to be optimal. Brush cytology offered the best standalone accuracy, whereas COE and autofluorescence served as sensitive initial screens. A two-tier sequential strategy comprising COE/autofluorescence followed by brush cytology maximizes case detection and reduces false positives. The LCA provides robust and unbiased estimates for real-world screening. Integration into routine dental practice with structured training can improve early detection of oral dysplasia in high-risk populations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».