Application of Machine Learning in Orthodontics: A Bibliometric Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,029 | 0,072 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle