EXAMINING THE IMPACT OF ARTIFICIAL INTELLIGENCE IN DENTISTRY: A COMPREHENSIVE SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Background: Artificial Intelligence (AI) in dentistry has the potential to revolutionize oral healthcare by solving its inherent shortcomings. Aim: To review and evaluate the body of research on artificial intelligence's use in dentistry, with a focus on how it affects treatment planning, diagnosis, and patient care in a range of dental specialties. Methodology: 30 papers encompassing oral diagnosis, surgery, endodontics, prosthodontics, orthodontics, forensic dentistry, radiography, and periodontics are thoroughly examined in this review using PRISMA guidelines. The Cochrane Handbook principles were followed in the evaluation of important variables such as randomization, blinding, withdrawal/dropout rates, sample size estimation, clarity of inclusion/exclusion criteria, examiner reliability testing, pre-specification of outcomes, and bias risk. The Newcastle-Ottawa Scale (NOS) was used in quality assessment to measure bias risk and star ratings. Results: The research highlight improvements in diagnosis, treatment planning, and procedural accuracy, illustrating the revolutionary effects of AI in dentistry. Applications of AI demonstrate its versatility and include automated designs, risk prediction, lesion recognition, and precision in dental operations. There is little chance of bias in randomization, intervention variations, and outcome assessments, according to the methodological evaluation, which shows excellent scientific rigor. Even though a few studies had minor issues including uneven blinding and missing data, these had no appreciable impact on the dependability of the results. Overall, the studies' consistent methodological quality highlights how AI may be relied upon to advance dental research and practice.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».