Role of thin gingival phenotype and inadequate keratinized mucosa width (<2 mm) as risk indicators for peri‐implantitis and peri‐implant mucositis
Notice bibliographique
Résumé
BACKGROUND: There is growing evidence on the impact of thin gingival phenotype (TnP) and inadequate keratinized mucosa width (KMW <2 mm) around dental implants on peri-implant health. This study investigated the role of TnP and inadequate KMW (<2 mm) as risk indicators for peri-implantitis and mucositis and on dental patient-reported outcomes. METHODS: Sixty-three patients with 193 implants (mean follow-up of 6.9 ± 3.7 years) were given a clinical and radiographic examination and a questionnaire to assess patient awareness of food impaction and pain/discomfort. Chi-squared tests and regression analysis for clustered data were used to compare outcomes. RESULTS: Implants with TnP had a statistically higher prevalence of peri-implantitis (27.1% versus 11.3%; PR, 3.32; 95% confidence interval (CI), 1.64-6.72; P = 0.001) peri-implant mucositis (42.7% versus 33%; PR, 1.8; 95% CI, 1.12-2.9; P = 0.016) and pain/discomfort during oral hygiene (25% versus 5%; PR, 3.7; 95% CI, 1.06-12.96; P = 0.044) than thick phenotype. Implants with inadequate KMW had a statistically higher prevalence of peri-implantitis (24.1% versus 17%; PR, 1.87; 95% CI, 1.07-3.25; P = 0.027) and peri-implant mucositis (46.6% versus 34.1%; PR, 1.53; 95% CI, 1-2.33; P = 0.05) and pain/discomfort during oral hygiene (28% versus 10%; PR, 2.37; 95% CI, 1.1-5.1; P = 0.027) than the adequate KMW. TnP was strongly associated with inadequate KMW (PR = 3.18; 95% CI, 1.69-6.04; P <0.001). CONCLUSION: TnP and inadequate KMW (<2 mm) may be significant risk indicators for peri-implant disease and pain/discomfort during brushing.
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 | 0,000 | 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 | 0,000 |
| 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 ».