Diagnostic group differences in temporomandibular joint energy densities
Notice bibliographique
Résumé
OBJECTIVES: Cartilage fatigue, due to mechanical work, may account for precocious development of degenerative joint disease in the temporomandibular joint (TMJ). This study compared energy densities (mJ/mm³) in TMJs of three diagnostic groups. SETTING AND SAMPLE POPULATION: Sixty-eight subjects (44 women, 24 men) gave informed consent. Diagnostic criteria for temporomandibular disorders (DC/TMD) and imaging were used to group subjects according to presence of jaw muscle or joint pain (+P) and bilateral disk displacement (+DD). MATERIAL AND METHODS: Subjects (+P+DD, n=16; -P+DD, n=16; and -P-DD, n=36) provided cone-beam computed tomography and magnetic resonance images, and jaw-tracking data. Numerical modeling was used to determine TMJ loads (Fnormal). Dynamic stereometry was used to characterize individual-specific data of stress-field dynamics during 10 symmetrical jaw-closing cycles. These data were used to estimate tractional forces (Ftraction). Energy densities were then calculated as W/Q (W=work done or mechanical energy input=tractional force×distance of stress-field translation, Q=volume of cartilage). anova and Tukey-Kramer post hoc analyses tested for intergroup differences. RESULTS: Mean±standard error energy density for the +P+DD group was 12.7±1.5 mJ/mm³ and significantly greater (all adjusted p<0.04) when compared to -P+DD (7.4±1.4 mJ/mm³) and -P-DD (5.8±0.9 mJ/mm³) groups. Energy densities in -P+DD and -P-DD groups were not significantly different. CONCLUSION: Diagnostic group differences in energy densities suggest that mechanical work may be a unique mechanism, which contributes to cartilage fatigue in subjects with pain and disk displacement.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».