Comparative Analysis of Guided Bone Regeneration and Allograft Materials in Periodontal Implant Treatment :A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background: Guided Bone Regeneration (GBR) treatment with allograft materials finds regular use in periodontal implant procedures to rebuild the alveolar bone structure and boost implant success rates. This systematic review and meta-analysis aimed to evaluate the effectiveness of GBR with allografts versus other implant approaches to identify the most effective periodontal treatment. Methods: This systematic review and meta-analysis were conducted according to the PRISMA 2020 guidelines. The literature retrieval was conducted using PubMed, Scopus, Web of Science, and Google Scholar up to May 2025. The relevant studies compared guided bone regeneration (GBR). The Cochrane tool and Newcastle-Ottawa Scale (NOS) were used to determine risk of bias for observational studies and RCTs, respectively. The RevMan 5.4.1 was deployed to conduct meta-analyses, and pooled estimates were obtained using a random-effect model. Heterogeneity was determined by the I2 statistic. GRADE framework was used for the certainty of evidence. Results: 9 studies (5 RCTs, 3 observational, and 1 retrospective study) were included. Vertical/horizontal bone gain and peri-implant probing depth were the primary outcomes. Meta-analysis revealed significant bone gain results on GBR (SMD: 0.83, 95% CI: 0.31-1.34) and no significant difference on probing depth (SMD: 1.23, 95% CI: -0.75-3.22). Most studies had a low risk of bias. The probing depth had significant heterogeneity (I2 = 86%), whereas bone gain heterogeneity was not present (I2 = 0%). Discussion: Periodontal implant stability improves through GBR treatment beyond the use of allograft procedures, which still show effective results in clinical 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) | 0,004 | 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 ».