The Effect of Various Lasers on the Bond Strength Between Orthodontic Brackets and Dental Ceramics: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background/objective: This systematic review and meta-analysis aimed to assess how laser conditioning affected brackets bonded to dental ceramics' shear bond strength (SBS). Materials and methods: The study was conducted by searching Pubmed/Medline, Scopus, Embase, Web of Science, the Cochrane Library, and Google Scholar up to September 14, 2022. In addition, the reference lists of the relevant articles were checked manually. Articles that compared SBS of laser-treated feldspathic, lithium disilicate, or zirconia surfaces with other standard techniques for bonding metal or ceramic orthodontic brackets were considered. Using a random-effects model, data pooling was carried out as the weighted mean difference (WMD). Results: This study initially contained 1717 reports, and following review, 32 articles were deemed suitable for our meta-analysis. The pooling results showed that the treatments with lasers such as “Er:YAG” [WMD = −1.12 MPa; 95% confidence interval (CI): −1.93 to −0.31], “Er:YAG + Silane” (WMD = −3.08 MPa; 95% CI: −4.77 to −1.40), and “Nd: YAG + Silane” (WMD = −2.58 MPa; 95% CI: −3.76 to −1.40) had statistically significant lower adhesion values compared with controls. Contrarily, “Ti:Sapphire femtosecond” demonstrated significantly higher bonding values (WMD = 0.94 MPa; 95% CI: 0.29–1.60). In contrast, other interventions obtained no statistically significant difference in SBS. Conclusions: Most of the laser groups showed results comparable with those of conventional approaches. Although more research is necessary for definitive conclusions, laser treatment may be an effective option for treating the surfaces of ceramic materials.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».