Ability of Orthodontists to Detect, Interpret and Propose Management Strategies for Incidental Findings on Pre‐Treatment Panoramic Radiographs
Notice bibliographique
Résumé
OBJECTIVES: Radiographs are routinely acquired for orthodontic evaluation, and incidental findings (IFs) may be detected early as part of this routine care. This study aimed to assess the prevalence of IFs on panoramic radiographs taken for orthodontic assessment and evaluate the ability of orthodontists to detect, interpret and recommend management for IFs. MATERIALS AND METHODS: A retrospective analysis of 1756 patients aged 7-21 with a panoramic image taken for orthodontic evaluation was performed. IFs were categorised by anatomic region and assigned a significance level based on a custom-made risk assessment tool. Twelve selected images were evaluated by 30 orthodontists via a standardised online survey. Participants were tasked with reviewing each image, providing a radiological interpretation, and indicating whether a referral would be needed prior to commencing orthodontic treatment. The responses were scored against those of an expert oral and maxillofacial radiologist (OMFR). Inter-observer agreement was evaluated by computing the Cohen's K. RESULTS: The prevalence of IFs was 30.8%. The most common findings were impacted teeth (17.7%), hypodontia (14.9%) and dense bone islands (14.7%). After applying the risk assessment tool, 35% of the findings were considered highly significant. The overall agreement between the orthodontists and OMFR was k = 0.32 (95% CI = 0.30-0.34). The agreement for location was 0.52 (95% CI = 0.47-0.58), whereas it was k = 0.45 (95% CI = 0.40-0.50) for diagnosis and k = 0.19 (95% CI = 0.13-0.24) for referral need. CONCLUSIONS: Orthodontists may benefit from additional education and training focused on interpretation and management of IFs on panoramic radiographs.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».