Gingival phenotype determination: Cutoff values, relationship between gingival and alveolar crest bone thickness at different landmarks
Notice bibliographique
Résumé
Background/purpose: Gingival phenotype (GP) has been reported to influence the treatment planning and clinical outcomes in several dental specialties. This study aimed to investigate optimal cutoff values for gingival thickness (GT) measurement at different landmarks to determine GP. The correlations between GT and bone thickness (BT) of buccal alveolar crest were also analyzed. Materials and methods: A total of 600 teeth were included. GP was clinically determined by the transparency of a periodontal probe through the gingival margin (TRAN). Measurements for free gingival thickness (GT1), cementoenamel junction gingival thickness (GT2), supracrestal gingival thickness (GT3), subcrestal 1 mm gingival thickness (GT4) and BT at 1, 3 mm apical from the alveolar crest edge (BT1 and BT2) were assessed on cone-beam computed tomography (CBCT) images. Spearman's correlation coefficient was used to evaluate correlations between GT and BT. Results: The optimal cutoff values of GT using CBCT method to discriminate GP were 0.75 mm for GT1, 0.85 mm for GT2, 1.15 mm for GT3 and 0.45 mm for GT4. There was significantly positive correlation between GT and BT at all levels (r: 0.375-0.903). The correlations between GT3 and BT (r: 0.789-0.903) were strong, while correlations between GT4 and BT were weak (r: 0.375-0.467). Conclusion: The optimal cutoff values of gingival thickness using CBCT method to discriminate gingival phenotype at each gingival landmark were determined. The supracrestal gingival thickness might be an indicator of buccal alveolar crest bone thickness, which could provide valuable perspectives on clinical diagnosis, treatment planning and decision-making.
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) | 0,000 | 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) | 0,000 | 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 ».