Oral Carcinoma of the Retromolar Trigone, Maxillary Alveolus and Palate: Considerations in Surgical Management
Bibliographic record
Abstract
Suun alueen syöpä on haastava tauti koska se ei vaikuta ainoastaan toimintaan vaan myös potilaan ulkonäköön. Parantuneesta diagnostiikasta ja hoitomenetelmistä huolimatta suusyövän kulkua on edelleen vaikea ennustaa.\n\nTässä väitöskirjassa tutkittiin suun alueen levyepiteelisyövän käyttäytymistä ja hoitoa alueilla joista ei aikaisemmin ole ollut paljon tietoa; kyseessä oli alaleuan retromolaari- eli poskihampaiden takana oleva alue sekä yläleuan hammasharjanne/kovan suulaen alue. Lisäksi tutkittiin yläleuan maksillaariarterian ja alaleuan kasvohermon anatomista kulkua; usein nämä rakenteet sijaitsevat operoitavalla alueella tai heti sen läheisyydessä. Tutkimuksessa käsiteltiin myös leikkauksessa poistetun eli resekoidun alueen reunamarginaalin histologisen tutkimuksen tärkeyttä.\n\nTutkimusten perusteella tehtiin seuraavat johtopäätökset: Retromolaarialueen levyepiteelisyövän ennuste on huono jo syövän varhaisessa vaiheessa. Riittävä kirurginen reunamarginaali voi parantaa ennustetta. Yläleuan hammasharjanteen ja suulaen levyepiteelisyöpä eroaa muista suun alueen syövistä siinä että potilaat ovat suhteellisesti vanhempia ja useammin naisia. Kirurginen hoito sädehoidon kanssa tai ilman sädehoitoa näyttäisi helpottavan taudin hallintaa.\n\nYläleuan maksillaariarteria sijaitsi useammin lateraalisen pterygoideus-lihaksen alaosan päällä kuin sen alla. Se on tärkeää tietää jotta voidaan välttää sen vaurioituminen leikkauksen aikana. Kasvohermon osalta todettiin että kun se pyrittiin säästämään leikkauksessa, hermon toimintahäiriötä esiintyi 16/101 tapauksessa (16%). Kun analysoitiin 425 potilasta, kirurginen reunamarginaali todettiin tärkeäksi tekijäksi ennusteen kannalta. Tämä, toisin kuin muut ennusteeseen vaikuttavat tekijät, on asia johon kirurgi voi suoraan vaikuttaa.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.005 | 0.004 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".