Effectiveness of ultrasonography in the diagnosis of temporomandibular joint disorders: A systematic review and meta‐analysis
Notice bibliographique
Résumé
Abstract Background Temporomandibular disorders (TMDs) pose diagnostic challenges, and selecting appropriate imaging modalities is crucial for accurate assessment. This study aimed to compare the diagnostic accuracy and efficacy of ultrasonography (US) and magnetic resonance imaging (MRI) in identifying TMDs. Methods A comprehensive meta‐analysis was conducted, including studies that compared US and MRI for TMJ disorder assessments. Fixed‐effects models were utilized to calculate pooled odds ratios (ORs) and relative risks (RRs) with 95% confidence intervals (CIs). Heterogeneity was assessed using the chi‐squared test and I 2 statistic. Newcastle–Ottawa scale was used to assess the methodological quality of the studies included. Results Six studies were included, involving a total of 281 participants. The meta‐analysis demonstrated that MRI was statistically somewhat better than US in identifying TMJ disorders. The summary OR was 0.64 (95% CI: 0.46–0.90), and the summary RR was 0.80 (95% CI: 0.68–0.95). Heterogeneity among the studies was low ( χ 2 = 2.73, df = 5, p = .74; I 2 = 0%). Demographic variables revealed variations in sample size, gender ratio and mean age across the studies. Conclusion This meta‐analysis provides evidence that MRI may be more effective than US in diagnosing TMDs. However, the study is limited by the small number of included studies and variations in demographic variables and study designs. Future research with larger samples and standardised protocols is essential to confirm and strengthen these findings. Understanding the diagnostic accuracy of MRI and US for TMJ disorders will aid clinicians in making informed decisions for effective TMJ disorder assessments and patient management.
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 | 0,018 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| 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 | 0,001 |
| 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 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 ».