Aesthetic evaluation of orthodontic management of missing maxillary lateral incisors
Notice bibliographique
Résumé
BACKGROUND: The most common maxillary lateral incisor agenesis (MLIA) orthodontic management options are space closure or space reopening and implant placement. This study aimed to 1. Examine and compare the aesthetic evaluation patterns of orthodontists, dentists, and laypeople for ``good'' and ``bad'' cases of MLIA treated with space closure, space reopening, and implant placement; 2. Determine if ``good'' and ``bad'' cases were scored differently within each group; and 3. Investigate potential gender differences in aesthetic evaluations. METHODS: A questionnaire was completed by 57 orthodontists, 75 dentists, and 85 laypeople. Participants ranked images of treated MLIA cases on a 1 to 10 scale and identified the best and worst outcomes. Nonparametric statistical analyses (Kruskal-Wallis, Friedman, and Mann-Whitney U tests) were employed for both descriptive and inferential analyses. RESULTS: Laypeople assigned statistically significantly higher ratings to ``bad'' images of both treatment modalities than orthodontists and dentists. Significant differences were found in the comparisons of `good' and `bad' images for both treatment types within the orthodontist and dentist groups. However, statistically significant differences were observed only among laypersons for space opening. Statistically significant sex differences were found among laypeople scoring ``bad'' cases for both treatment approaches. CONCLUSIONS: Dentists and orthodontists can differentiate between good and bad results of closed and open treatments, but laypeople only do so in open cases. Laypeople tend to assign better scores than orthodontists and dentists, and when they are men, they are less critical than women of unesthetic results.
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 | 0,000 |
| 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) | 0,000 | 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 ».