<scp>COVID</scp>‐19 as a factor associated with early dental implant failures: A retrospective analysis
Notice bibliographique
Résumé
OBJECTIVES: To analyze the effect of COVID-19 on early implant failures and identify potential risk factors for early implant failure, concerning patient- and implant-related factors. MATERIALS AND METHODS: This retrospective study is based on 1228 patients who received 4841 implants between March 11, 2020, and April 01, 2022, at Erciyes University Faculty of Dentistry. COVID-19, age and gender of patients, smoking, diabetes, irradiation, chemotherapy, osteoporosis, the implant system, location, and characteristics of implants were recorded. At the implant level, univariate and multivariate generalized estimating equation (GEE) logistic regression was used to examine the effect of explanatory variables on early implant failure. RESULTS: The early implant failure rate was 3.1% at the implant level and 10.4% at the patient level. Smokers showed a significantly higher incidence of early implant failures compared to nonsmokers. (odds ratio (OR; 95% CI): 2.140 (1.438-3.184); p < 0.001). Short implants (≤8 mm) had a higher risk of early implant failure than long implants (≥12 mm) (OR (95% CI): 2.089 (1.290-3.382); p = 0.003). CONCLUSIONS: COVID-19 had no significant effect on early implant failure. Smoking and short implants were associated with a higher risk for early implant failures.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».