Influence of Bone Condition and Implant Design on Accuracy of Semi‐Autonomous Robotic Dental Implant Surgery In Vitro
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to evaluate the effects of bone density, cortical bone thickness, and implant design on the accuracy of implant placement using a novel semi-autonomous robotic-assisted surgery system (sa-RASS). MATERIALS AND METHODS: A total of 160 implants were placed in artificial bone models simulating four bone densities (D1, D2, D3, D4) and three cortical bone thicknesses (0.5, 1, 1.5 mm) using sa-RASS. Two implant designs (self-tapping and non-self-tapping) were evaluated under standardized cortical bone thickness conditions. The postoperative CBCT data and preoperative surgical plan were superimposed to calculate the deviations of the implant. Deviations were quantified for platform/apex positions (global, horizontal, vertical) and implant angulation. RESULTS: The sa-RASS achieved mean deviations of 0.58 ± 0.19 mm at platform, 0.60 ± 0.24 mm at apex, and 1.46° ± 0.78° for angulation. Bone density significantly influenced accuracy (p < 0.05), with maximum deviations in medium-density (D2/D3) models and minimal errors in high-density (D1) and low-density (D4) groups. Cortical thickness exhibited a moderate positive correlation with linear deviations (platform: r = 0.598; apex: r = 0.593; both p < 0.001). Self-tapping implants demonstrated superior precision compared to non-self-tapping designs (p < 0.05), with reduced deviations at both platform (0.48 ± 0.16 mm) and apex (0.49 ± 0.16 mm). CONCLUSIONS: This in vitro study demonstrated that bone condition and implant design significantly influence the accuracy of sa-RASS. Understanding these factors can help optimize robotic-assisted implant placement and improve clinical outcomes. CLINICAL SIGNIFICANCE: Bone condition and implant design significantly affect the accuracy of robotic-assisted implant placement. Preoperative assessment and proper implant selection can enhance precision and improve clinical outcomes.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».