Relação entre fluorose dental e a concentração de flúor no dente – um estudo em área endêmica
Bibliographic record
Abstract
Objetivo: Determinar a relação entre severidade de fluorose dental (FD), e concentração de flúor [F] no dente e água em áreas endêmicas de FD. Métodos: Residentes de duas comunidades endêmicas de FD foram estudados. 45 dentes foram coletados e analisados para severidade de FD e concentração de flúor. O índice de Thylstrup-Ferjeskov (TFI) foi utilizado para medir a severidade de FD e análise por ativação com nêutrons (AAN) para concentração de [F] dental. Águas de poços da região foram coletadas (n=9) e analisadas para [F], utilizando eletrodo específico de flúor. Resultados: Concentração de [F] da água variou entre 0,2 e 4,7ppm. Os escores do TFI variaram entre 0 e 6; [F] no esmalte entre 120 e 2140ppm e na dentina entre 304 e 4800ppm. Não se observou correlação entre severidade de DF e [F] no esmalte (rs=0,22,p=0,15) e dentina (rs=-0,11,p=0,56). Encontrou-se correlação fraca entre FD e [F] na água (rs=0,38,p=0,04). Análise de regressão linear demonstrou que TFI não podia ser predito por uma combinação linear das variáveis (idade, e concentração de flúor no esmalte e dentina). Quando a concentração de flúor no esmalte, dentina e água foram analisadas de forma independente na regressão linear, apenas flúor na água demonstrou influência na severidade de FD (p=0,013;t=2,67). Conclusão: Mesmo em áreas endêmicas de FD, concentração de flúor dental não se correlaciona com severidade de FD, e a relação entre este e a concentração de flúor nas águas foi fraca. Assim, concentração de flúor dental pode não ser um bom preditor/indicador de severidade de FD.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".