Peri‐implant crevicular fluid biomarkers as discriminants of peri‐implant health and disease
Notice bibliographique
Résumé
AIM: The objective of this cross-sectional study was to examine the potential of peri-implant crevicular fluid (PICF) analytes to discriminate between peri-implant health and disease using a multi-biomarker approach. METHODS: We collected PICF samples from the mesio-buccal site of every implant (n = 145) from 52 subjects with peri-implantitis and measured the levels of 20 biomarkers using Luminex. We grouped implants and subjects based on the clinical characteristic of the sampled sites and implants into: healthy sites from healthy implants (HH), diseased sites from diseased implants (DD) and healthy sites from diseased implants (HD). The significance of the differences between the HH and DD groups was determined using general linear models controlling for false discovery rate. We used logistic regression to determine the best multi-biomarker models that could distinguish HH from DD subjects and HH from HD subjects. RESULTS: There were statistically significant differences between HH and DD groups for 12/20 biomarkers. Logistic regression resulted in a 6-biomarker model (Flt-3L, GM-CSF, IL-10, sCD40L, IL-17 and TNFα) that discriminated HH from DD subjects (AUC = 0.93) and a 3-biomarker model (IL-17, IL-1ra and vascular endothelial growth factor) that distinguished HH from DD subjects (AUC = 0.90). CONCLUSION: PICF biomarkers might help discriminate peri-implant health from disease.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».