Temporomandibular disorder confounders in motor vehicle accident patients
Notice bibliographique
Résumé
Background: Motor vehicle accidents (MVA) are associated with the onset of temporomandibular disorder (TMD) symptoms. However, diagnosing TMD-related pain is challenging due to various entities that can refer pain to the region. This study aims to identify prevalent radiographic confounders to pain diagnosis in MVA patients who were subsequently referred for temporomandibular joint imaging using cone-beam computed tomography (CBCT) by comparing these patients to a cohort of patients without MVA history. Methods: CBCTs of 738 temporomandibular joints were reviewed, with cases stratified by MVA history. This research explored the demographics and calculated the prevalence of radiographic confounders (RC) in each category, comparing the findings for both groups. The chi-square test was used to assess statistical significance. Results: Patients in the MVA cohort (n = 151, mean age = 41.3 years, S.D (Standard Deviation) = 13.3 years) averaged 1.10 confounders/patient compared to a significantly lower 0.68 confounders/patient in the non-MVA cohort (n = 218, mean age = 33.6 years, S.D = 18.2 years). The most frequently identified RCs include sinus pathologies (39.1% (MVA) vs. 28.0% (non-MVA), p = 0.025) and endodontic lesions (22.5% (MVA) vs.10.1% (non-MVA), p = 0.001). Conclusions: Clinicians must be vigilant about confounders when managing patients suspected of TMD. We recommend patients undergo a complete dental evaluation before being referred to a specialist to avoid unnecessary medical costs and treatment delays.
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 | 0,000 | 0,002 |
| 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) | 0,002 | 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 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 ».