Forensic odontology in <scp>DVI</scp>—A path forward
Notice bibliographique
Résumé
Dental identification is a pillar of disaster victim identification (DVI). Dental identification is accurate, efficient, inexpensive, and accepted in courts of law. The (known) antemortem (AM) dental charts and radiographic images acquired from the dentist of the missing person are evaluated, processed, and compared to post mortem (PM) findings present in the dentition or fragments of the dentition of the deceased individual. These comparisons evaluate and assess individuating restorative dental work, dental anatomical areas of concordance, spatial relationships of teeth one to another, and occasionally calculate the degree of "uniqueness" of either or both of the AM and PM dentition compared to known population databases. In a multiple fatality incident, odontologists may utilize age stratification to assist other means of identification. Computer comparison algorithms using recorded data can indicate possible matches between AM and PM data sets. Following clinical assessment, collection of post mortem tooth specimens for DNA profiling generation may be undertaken. This paper will highlight modern and efficient use of these tools. The framework for how dental identification in these incidents is currently managed is presented. The authors propose a change to this approach that moves away from interpretive subjective assessment toward comparisons based largely on objective data. The aim of this paper is to highlight the benefits of minimizing subjective decisions and maximizing objective data in the dental DVI process while simultaneously reducing risk to clinical personnel and minimizing costs by reducing the number of clinicians required onsite.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,025 |
| 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 ».