Application of Machine Learning in Orthodontics: A Bibliometric Analysis
Notice bibliographique
Résumé
Background: Machine learning (ML), a facet of artificial intelligence, utilizes algorithms to learn from data without explicit programming. In orthodontics, ML offers advantages like tailoring personalized treatment plans for patients. Despite its potential, there hasn’t been a bibliometric analysis of ML studies in orthodontics. This study aims to fill that gap. Types of studies reviewed: Articles on ML in orthodontics were reviewed from Web of Science Core Collection, Embase, Scopus, and PubMed. Data on journal details, country of origin, publication month, citations, keywords, and co-authorship were extracted. Results: The search retrieved a total of 1478 articles, of which 701 were excluded. American Journal of Orthodontics and Dentofacial Orthopedics has published the most articles (3.6%), followed by the seminars in Orthodontics Journal (1.6%), and Orthodontics and Craniofacial Research Journal (1.6%). Most of the articles were from researchers from China (n = 156), the United States (n = 107), and South Korea (n = 70). The number of citations of the published articles ranged from 0 to 702, with most articles (75.54%) having at least one citation. Science Mapping analysis revealed that the most used keywords were Human(s) (n = 484), Artificial intelligence (n = 194), Female (n=169), Male (n = 161), and Cephalometry (n = 151). Clinical implications: Clinicians should be aware of the emerging global collaborative landscape in machine learning trends, stay informed about technological advancements, and consider the potential impact of ML on patient care and treatment outcomes in their practices.
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 | 0,025 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,202 | 0,211 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».