Oral Rehabilitation Outcomes Network—ORONet
Notice bibliographique
Résumé
Francesco Bassi, MD, DDS/Alan B. Carr, DMD/Ting-Ling Chang, DDS/Emad Estafanous, BSD, MSD/Neal R. Garrett, PhD/Risto-Pekka Happonen, DDS, PhD/Sreenivas Koka, DDS, MS, PhD/Juhani Laine, DDS, PhD/Martin Osswald, BDS, MDent/Harry Reintsema, DDS, PhD/Jana Rieger, MSc, PhD/Eleni Roumanas, DDS/Thomas J. Salinas, DDS, MS/Clark M. Stanford, DDS, PhD/Johan Wolfaardt, BDS, MDent, PhD: The published literature describing clinical evidence used in treatment decisionmaking for the management of tooth loss continues to be characterized by a lack of consistent outcome measures reflecting not only clinical performance but also a range of patient concerns. Recognizing this problem, an international group of clinicians, educators, and scientists with a focus on prosthodontics formed the Oral Rehabilitation Outcomes Network (ORONet) to promote strategies for improving health based on comprehensive, patient-centered evaluations of comparative effectiveness of therapies for oral rehabilitation. An initial goal of ORONet is to identify outcome measures for prosthodontic therapies that represent multiple domains with patient relevance, are amenable to utilization in both institutional and practice-based environments, and have established validity. Following a model used in rheumatology, the group assessed the prosthodontic literature, with an emphasis on implantbased therapies, for outcomes related to longevity and functional, psychologic, and economic domains. These systematic reviews highlight a need for further development of standardized outcomes that can be integrated across clinical and research environments. Int J Prosthodont 2013;26:319Â322. doi: 10.11607/ijp.3400
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 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 ».