Impact of local predisposing/precipitating factors and systemic drivers on peri‐implant diseases
Notice bibliographique
Résumé
BACKGROUND: Strong evidence suggests the infectious nature of peri-implant diseases occurring in susceptible hosts. Epidemiological reports, though, indicate that peri-implantitis is a site-specific entity. Hence, the significance of local factors that may predispose/precipitate plaque accumulation and the impact of systemic drivers that alter the immune response are relevant in the prevention and management of peri-implant disorders. PURPOSE: The purpose of the present review is to shed light on the significance of local and systemic factors on peri-implant diseases, making special emphasis on the associations with peri-implantitis. METHODS: The biologic plausibility and supporting evidence aiming at providing a concluding remark were explored in the recent scientific literature for local predisposing/precipitating factors and systemic drivers related to peri-implant diseases. RESULTS: Local predisposing factors such as soft tissue characteristics, implant position and prosthetic design proved being strongly associated with the occurrence of peri-implant diseases. Hard tissue characteristics, however, failed to demonstrate having a direct association with peri-implant diseases. Robust data points toward the strong link between residual sub-mucosal cement and peri-implant diseases, while limited data suggests the impact of residual sub-mucosal floss and peri-implantitis. Systemic drivers/habits such as hyperglycemia and smoking showed a strong negative impact on peri-implantitis. However, there is insufficient evidence to claim for any link between metabolic syndrome, atherosclerotic cardiovascular disease, and obesity and peri-implant diseases. CONCLUSION: Local predisposing/precipitating factors and systemic drivers may increase the risk of peri-implant diseases. Therefore, comprehensive anamnesis of the patients, educational/motivational programs and exhaustive prosthetically-driven treatment planning must be fostered aiming at reducing the rate of biological complications in implant dentistry.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».