Clinical Feasibility of <scp>AI</scp> ‐Driven Automated Virtual Dental Implant Placement: A Cross‐Sectional Comparative Study
Notice bibliographique
Résumé
OBJECTIVES: To assess the clinical validity of artificial intelligence (AI)-driven virtual implant placement compared to human intelligence (HI)-based virtual and actual single implant placement in the posterior mandible. MATERIAL AND METHODS: Thirty-two patients for whom experts performed single implant placement in the posterior mandible were included, each with preoperative and postoperative cone-beam computed tomography (CBCT) scans. The preoperative scans were registered to the corresponding postoperative scans and used for both AI- and HI-driven virtual implant planning at the implant site. From each case, three implants' scenarios (i.e., HI-placed, AI-planned, and HI-planned) were exported and compared. The analysis focused on angular deviation and the spatial relationship of each implant to adjacent anatomical structures and the expert-designed prosthetic wax-up. In addition, pairwise comparisons were performed to quantify angular and linear deviations at both the coronal and apical levels. Implant length and diameter from planned versus placed implants were evaluated, and planning time and consistency were compared between AI- and HI-based approaches. RESULTS: AI-based planning showed no statistically significant differences compared to HI-based methods observed in angular deviation relative to adjacent tooth (HI-placed: 7.7° ± 5.6°, AI: 6° ± 4.7°, HI-planned: 5.2° ± 5.7°) and coronal deviation (AI vs. HI-placed: 0.9 ± 0.8 mm, AI vs. HI-planned: 0.8 ± 0.4 mm, HI-planned vs. HI-placed: 1.0 ± 1.1 mm), all with p > 0.05. Implant diameter and length were also consistent across the different approaches, with HI-placed (4.3 ± 0.3 mm; 9.7 ± 1.3 mm), AI (4.3 ± 0.4 mm; 9.9 ± 1.2 mm), and HI-planned (4.3 ± 0.4 mm; 9.8 ± 1.3 mm) showing no significant differences (p > 0.05). However, AI planning was significantly faster (36.3 ± 7.3 s vs. 373 ± 113 s) and more consistent, with a median surface deviation of 0 mm compared to 0.39 mm for HI (p < 0.05). CONCLUSION: The AI tool showed clinically valid implant selection, matched expert placement and planning in virtual implant positioning for missing mandibular premolars and molars while being highly consistent and 10 times faster compared to human expert planning.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».