Clinical Applications of Artificial Intelligence in Periodontology: A Systematic Review of the Literature
Notice bibliographique
Résumé
Introduction Artificial intelligence (AI) is rapidly transforming various fields of medicine, including dentistry. AI applications in periodontology hold promise for improving diagnosis, treatment planning, and patient care. This protocol outlines a systematic review to evaluate the current evidence on clinical applications of AI in periodontology. Research Question What are the clinical applications of artificial intelligence in periodontology, and what is the evidence for their effectiveness and impact on patient outcomes? PICO Question Population: Patients with periodontal diseases Intervention: Artificial intelligence applications (e.g., diagnosis, risk assessment, treatment planning, outcome prediction) Comparison: Traditional methods or other AI applications Outcome: Diagnostic accuracy, treatment efficacy, patient-reported outcomes Inclusion Criteria Study Design: Clinical trials, cohort studies, case-control studies, cross-sectional studies Population: Patients with any type of periodontal disease (gingivitis, periodontitis) Intervention: Any AI application used for diagnosis, risk assessment, treatment planning, or outcome prediction in periodontology Outcomes: Diagnostic accuracy, treatment efficacy, patient-reported outcomes Language: English Exclusion Criteria Study Design: Case reports, case series, reviews, editorials, letters to the editor, conference papers/presentations Population: Animal studies, in vitro studies Intervention: AI applications not directly related to periodontology Outcomes: Not relevant to clinical practice or patient care Language: Non-English Search Strategy Databases: PubMed, Cochrane Central Register of Controlled Trials, Cochrane Database of Systematic Reviews, Scopus, Web of Science™ Core Collection, ProQuest Dissertations and Theses Global Keywords: AI, Artificial Intelligence, machine learning, deep learning, neural network, convolutional network, Periodontology, periodontics, periodontal disease, periodontitis, periodontium, periodontal Boolean Operators: AND, OR Study Selection Title and Abstract Screening: Two reviewers will independently screen titles and abstracts for eligibility. Full-Text Review: Full texts of potentially eligible studies will be retrieved and reviewed independently by two reviewers. Disagreement Resolution: Any disagreements will be resolved through discussion or consultation with a third reviewer. Data Extraction Study Characteristics: Study design, population, intervention, comparison, outcomes, follow-up period AI Model Details: Type of AI algorithm, input data, training data, performance metrics Outcome Data: Diagnostic accuracy (sensitivity, specificity, AUC), treatment efficacy, patient-reported outcomes Quality Assessment Risk of Bias: The risk of bias in included studies will be assessed using appropriate tools (e.g., Cochrane Risk of Bias tool, Newcastle-Ottawa Scale). Data Synthesis Narrative Synthesis: A narrative synthesis will be conducted to summarize the findings of the included studies. Meta-Analysis: If appropriate, a meta-analysis will be performed to pool the results of studies with similar interventions and 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 | 0,015 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,015 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».