Assessment of Children's Dental Fear and Anxiety Using Deep Learning Techniques
Notice bibliographique
Résumé
Background About one-third of children face dental fear and anxiety, jeopardizing treatment outcomes. This study develops deep learning algorithms to automate drawing analysis, addressing the limitations of subjective and time-intensive manual assessments. Methods Two deep learning systems were developed. In the pilot study, drawings were manually labeled using the Child Drawing: Hospital score sheet. The first system used a two-step classification, focusing on human figures. A ResNet-18 model categorized drawings into high or low-average anxiety, while YOLO-v5 detected human figures, and YOLO-v8 classified those in low-average anxiety drawings. The second approach evaluated layout characteristics using pixel value calculations and scored color attributes with k-means clustering. A two-step deep learning process assessed human figure features: YOLO-v5 detected human figures and recognized faces, while YOLO-v8 classified faces as happy or unhappy. Final anxiety levels were determined by the combined feature scores. Accuracy and precision were reported for classifiers and object detectors, respectively. Results The first approach showed promising results, with the ResNet-18 classifier achieving a testing accuracy of 0.93 (95% CI: 0.878-0.982), the object detector achieving precision of 0.64 (95% CI: 0.531-0.749), and across five-fold cross-validation, the final classifier achieving a mean test accuracy of 0.66 (95% CI: 0.627, 0.6966). Confidence intervals were computed using the t-distribution with 4 degrees of freedom. Since the testing set was too small, a normal distribution assumption for the testing set was unrealistic. Therefore, a five-fold cross-validation was performed. The second approach achieved a final accuracy of 0.76, with individual features scoring a moderate accuracy of around 0.60. Conclusion This study demonstrates the potential of artificial intelligence to automate children’s dental fear and anxiety assessments through drawing analysis. Practical Implications: The developed algorithms can be used to screen children's dental anxiety, aiding clinicians in managing anxiety effectively, understanding patient concerns, and improving communication with children with linguistic or cognitive barriers.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».