Diagnostic accuracy of artificial intelligence in determining extraction protocol in orthodontic patients: A systematic review
Notice bibliographique
Résumé
OBJECTIVE: To assess the diagnostic accuracy of artificial intelligence-based models in the determination of tooth extraction in orthodontic treatment planning. MATERIALS AND METHODS: A comprehensive literature search was conducted in multiple databases (PubMed, LILACS, Web of Science, Scopus, EBSCO, and Google Scholar) up to June, 2024. Studies that met the inclusion criteria based on the PIRD (Participants, Index test, Reference test, Diagnostic) framework were selected. The risk of bias of included studies was assessed using the QUADAS-2 tool, and their methodological quality was evaluated as well using a standardized checklist. RESULTS: Out of 361 retrieved records, eleven studies were included in this review. Nine of these studies achieved a score of over 50% on the AI quality checklist, indicating acceptable methodological quality. However, a comprehensive assessment using the QUADAS-2 tool revealed that all studies had some level of risk of bias, particularly in patient selection, the conduct of AI-based predictions, and the reference standard used. CONCLUSION: Neural networks and classifier models demonstrated the high level of accuracy ranging from 82% to 94% in determining the optimal tooth extraction protocol. However, to ensure reliable predictions, artificial intelligence-based models should be rigorously trained, incorporating a comprehensive range of factors.
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 | 0,006 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».