Predicting the Number of Fibular Segments to Reconstruct Mandibular Defects
Notice bibliographique
Résumé
OBJECTIVES: Several classification schemes have been proposed to categorize mandibular defects following surgical resection; however, there is a paucity of data to guide an optimal reconstruction. This study examines the feasibility of using a geometric algorithm to simplify and determine the optimal reconstruction for a given mandibular defect. This algorithm is then applied to three different mandible defect classification schemes to correlate the defect type and number of bony segments required for reconstruction. METHODS: Computed tomography (CT) scans of 48 mandibles were decomposed into curvilinear representations and analyzed using the Ramer-Douglas-Peucker algorithm. In total, 720 mandibular defects were created and subsequently analyzed utilizing three commonly referenced classification systems. For each defect, the number of bony segments required to reconstruct each defect was computed. RESULTS: A wide variance in the number of segments needed for optimal reconstruction was observed across existing classifications. A six-segment total mandible reconstruction best reconstituted mandibular form in all 48 mandibles. CONCLUSION: Defect classification schemes are not adaptable to predicting the number of fibula segments required for a given defect. Additionally, cephalometric templates may not be applicable in all clinical settings. The Ramer-Douglas-Peucker algorithm is well suited for providing case-specific predictions of reconstruction plans in a reproducible manner. LEVEL OF EVIDENCE: IV Laryngoscope, 130:E619-E624, 2020.
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) | 0,000 | 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) | 0,001 | 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 ».