Sensitivity and Specificity of Radiographic Methods for Predicting Insertion Torque of Dental Implants
Notice bibliographique
Résumé
BACKGROUND: Subjective radiographic classifications of alveolar bone have been proposed and correlated with implant insertion torque (IT). The present diagnostic study aims to identify quantitative bone features influencing IT and to use these findings to develop an objective radiographic classification for predicting IT. METHODS: Demographics, panoramic radiographs (taken at the beginning of dental treatment), and cone-beam computed tomographic scans (taken for implant surgical planning) of 25 patients receiving 31 implants were analyzed. Bone samples retrieved from implant sites were assessed with dual x-ray absorptiometry, microcomputed tomography, and histology. Odds ratio, sensitivity, and specificity of all variables to predict high peak IT were assessed. RESULTS: A ridge cortical thickness >0.75 mm and a normal appearance of the inferior mandibular cortex were the most sensitive variables for predicting high peak IT (87.5% and 75%, respectively). A classification based on the combination of both variables presented high sensitivity (90.9%) and specificity (100%) for predicting IT. CONCLUSIONS: Within the limitations of this study, the results suggest that it is possible to predict IT accurately based on radiographic findings of the patient. This could be useful in the treatment plan of immediate loading cases.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».