Artificial intelligence and machine learning in diagnosing and managing temporomandibular disorders: A systematic review and meta-analysis
Notice bibliographique
Résumé
Background Artificial intelligence (AI) and machine learning (ML) models have recently emerged as promising tools for enhancing diagnostic accuracy. Objective To evaluate the diagnostic accuracy of AI/ML models in detecting TMDs through a systematic review and meta-analysis of existing literature. Methods A comprehensive search of electronic databases was conducted to identify studies assessing the diagnostic performance of AI/ML models in TMD diagnosis (PROSPERO-CRD420251035080). Data extraction and quality assessment were conducted independently by two reviewers using the AXIS tool for cross-sectional and Newcastle–Ottawa Scale for cohort studies. Meta-analysis of diagnostic accuracy was performed using pooled sensitivity, specificity, diagnostic odds ratio, and area under the curve. Statistical heterogeneity was assessed with the I 2 statistic. Results The systematic search identified 368 articles, of which 12 studies met inclusion criteria after screening. Risk of bias assessment showed most observational studies had low to unclear bias, while cross-sectional studies varied from moderate to high quality. Five studies were eligible for meta-analysis and they revealed that AI and machine learning models achieved a pooled sensitivity of 87.1 %(95 %CI:84.9 %–89.2 %) and specificity of 87.0 %(95 %CI:84.8 %–89.2 %) for TMD diagnosis. The diagnostic odds ratio was 45.1(95 %CI:30.5–66.8), with an area under the ROC curve of 0.96, indicating excellent diagnostic accuracy. Moderate heterogeneity I 2 = 38.7 %. Conclusion AI/ML models demonstrate excellent accuracy in differentiating patients with and without TMDs, reinforcing their potential as reliable diagnostic aids in clinical and screening settings. However, variability in input features and lack of standardized model development protocols highlight the need for future research focusing on validation across diverse populations and harmonization of diagnostic criteria.
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 | 0,022 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,030 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».