Research routes on improved sleep bruxism metrics: Toward a standardised approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A recent report from the European Sleep Research Society's task force "Beyond AHI" discussed an issue that has been a long-term subject of debate - what are the best metrics for obstructive sleep apnoea (OSA) diagnosis and treatment outcome assessments? In a similar way, sleep bruxism (SB) metrics have also been a recurrent issue for >30 years and there is still uncertainty in dentistry regarding their optimisation and clinical relevance. SB can occur alone or with comorbidities such as OSA, gastroesophageal reflux disorder, insomnia, headache, orofacial pain, periodic limb movement, rapid eye movement behaviour disorder, and sleep epilepsy. Classically, the diagnosis of SB is based on the patient's dental and medical history and clinical manifestations; electromyography is used in research and for complex cases. The emergence of new technologies, such as sensors and artificial intelligence, has opened new opportunities. The main objective of the present review is to stimulate the creation of a collaborative taskforce on SB metrics. Several examples are available in sleep medicine. The development of more homogenised metrics could improve the accuracy and refinement of SB assessment, while moving forward toward a personalised approach. It is time to develop SB metrics that are relevant to clinical outcomes and benefit patients who suffer from one or more possible negative consequences of SB.
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.
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 | 0,067 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,029 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découle