Effect of using proper light-curing techniques on energy delivered to a Class 1 restoration.
Notice bibliographique
Résumé
OBJECTIVES: To determine the effect of proper light-curing instruction on the radiant exposure (energy density) delivered by dentists using six dental curing lights to a posterior Class 1 restoration. METHOD AND MATERIALS: Twenty-five dentists attending a professional meeting were instructed to position a patient simulator (MARC-PS, BlueLight), as they would for a patient, and then to expose the simulated Class 1 maxillary second molar preparation for a specified amount of time. At this point, the dentists were unaware of the purpose of the experiment. Each participant used three different curing lights, and the irradiance and radiant exposure (J/cm2) delivered to the preparation was recorded. Participants were then informed of the purpose of the exercise, and given specific light-curing instructions and training using the patient simulator, after which they re-exposed the same preparation using the same curing lights. Pre- and post-instruction radiant exposure values were compared using one-way ANOVA (α = .05), and for each light among all operators using a two-tailed, paired Student's t test. RESULTS: There was a wide variation in the radiant exposure delivered by the dentists and by the six curing lights, from 2.9 to 15.4 J/cm2. Before receiving additional light-curing instruction, 68% of dentists delivered less than 10 J/cm2. The radiant exposure delivered increased significantly (P < .001) by up to 30%, as a result of training using MARC-PS. CONCLUSION: The results indicate that some of the dentists participating in the present study delivered an inadequate amount of radiant exposure before instruction. More energy was delivered after a short training session using the MARC-PS. Reinforcing the proper photo-curing techniques may improve the outcome when placing resin-based restorations.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».