Use of IL‐1 β, IL‐6, TNF‐α, and MMP‐8 biomarkers to distinguish peri‐implant diseases: A systematic review and meta‐analysis
Notice bibliographique
Résumé
OBJECTIVE: To investigate the use of peri-implant crevicular fluid (PICF) interleukin-1β (IL-1β), IL-6, tumor necrosis factor-α (TNF-α), and matrix metalloproteinase-8 (MMP-8) biomarkers in distinguishing between healthy implants (H), peri-implant mucositis (MU), and peri-implantitis (PI). MATERIAL AND METHODS: Electronic using three databases (Pubmed, EMBASE, and Cochrane) and manual searches were conducted for articles published up to March 2018 by two independent calibrated reviewers. Meta-analyses using a random-effects model were conducted for each of the cytokines; IL-1β, IL-6, and TNF-α, to analyze standardized mean difference (SMD) between H and MU, MU and PI, H and PI with their associated 95% confidence intervals (CI). Qualitative assessment of MMP-8 was provided consequent to the lack of studies that provide valid data for a meta-analysis. RESULTS: Nineteen articles were included in this review. IL-1β, IL-6, and TNF-α, levels were significantly higher in MU than H groups (SMD: 1.94; 95% CI: 0.87, 3.35; P < .001, SMD: 1.17; 95% CI: 0.16, 3.19; P = .031 and SMD: 3.91; 95% CI: 1.13, 6.70; P = .006, respectively). Similar results were obtained with PI compared to H sites (SMD: 2.21, 95% CI: 1.32, 3.11; P < .001, SMD: 1.72; 95% CI: 0.56, 2.87; P = .004 and SMD: 3.78; 95% CI: 1.67, 5.89; P < .001, respectively). IL-6 was statistically higher in PI than MU sites (SMD = 1.46; 95% CI: 0.36, 2.55; P = .009); while IL-1ß increase was not significant. Despite absence of meta-analysis, MMP-8 show to be a promising biomarker in detection of PI in literature. CONCLUSION: Within the limitations of this study, pro-inflammatory cytokines in PICF, such as IL-1ß and IL-6, can be used as adjunct tools to clinical parameters to differentiate H from MU and PI.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».