Cleaning potential of different air abrasive powders and their impact on implant surface roughness
Notice bibliographique
Résumé
Abstract Background Implant surface roughness after air abrasive therapy has not been measured precisely in previous research. Debridement with air abrasion facilitates the mechanical removal of bacterial biofilms but may damage implant surfaces on a microscopic level. Purpose This study aimed to investigate the cleaning potential of various air abrasive powders and their effect on titanium implant surfaces. Materials and Methods Twenty implants coated with red ink were inserted into three‐dimensional printed circumferential bone defect models. Treatment was completed with three types of air abrasive powders: sodium bicarbonate (SB), glycine, and erythritol for 60 seconds. Water alone was used as control. The percentage of remaining ink was assessed using digital photography and graphic software. Implant surface topography/roughness was quantified using optical profilometry and examined via scanning electron microscopy. The microscopic analysis was performed at two implant areas: collar (Laser‐Lok surface) and threads. Results The cleaned surfaces (%, mean ± SD) after treatment with SB, glycine, and erythritol accounted for 49.3 ± 3.6%, 33.1 ± 1.2%, and 25.1 ± 0.7%, respectively. Statistically significant differences were found between all groups ( P < .001). SB was the only powder that significantly increased the implant roughness ( S a ) on both the implant collar (1.53‐2.10 μm) and threads (3.53‐4.20 μm). Regardless of the abrasive powder used, the collar, emerging implant surfaces from the defect base, and surfaces beneath implants threads exhibited more post‐treatment residual ink. Conclusion Large‐sized powder showed the greatest cleaning capacity, but caused more alterations to the implant surface. Glycine and erythritol displayed no significant changes in surface roughness, however, demonstrated a limited ink removal capacity.
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 | 0,001 |
| 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 ».