Detecting cracks in teeth and monitoring structural integrity over time with non-invasive PTR-LUM technology a solution for a major clinical challenge
Notice bibliographique
Résumé
Detecting cracks in teeth is a long-standing clinical challenge. Patients may complain of diffuse pain on chewing, pain, at times, on temperature change and pain that occurs episodically. Common diagnostic tools such as radiographs and visual examination may not detect cracks. This clinical case study shows how photothermal radiometry and luminescence (PTR-LUM), technology behind the Canary Dental Caries Detection System can detect and monitor cracks clinically as well as quantify the extent of crack. This important clinical feature is not yet available with other caries detection clinical devices. In this clinical situation, the cracks involved a large part of the mesial and distal of a mandibular second molar and the adjacent first molar. It led to a diagnosis of parafunction and placement of a mandibular flat plane bite splint along with the placement of composite restorations to restore the fractures. The science behind the point scan lock-in signal processing results of PTR-LUM technology implemented in The Canary System to clinically detect visible cracks or cracks beneath the enamel surface as well as caries on all tooth surfaces and around restorations is discussed. Amplitude and phase results from PTR-LUM point scans are incorporated into a Canary number output developed for oral health providers and are disclosed for the first time in detail with clinical evidence.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».