Evaluation et quantification de différents facteurs influençant le temps de traitement orthodontique
Bibliographic record
Abstract
INTRODUCTION : Une des préoccupations principales des patients concerne la durée globale du port des appareils orthodontiques. Ils désirent obtenir un résultat esthétique et fonctionnel en un minimum de temps. Avant de se porter vers des approches censées diminuer le temps de traitement, il est essentiel de comprendre avant tout les facteurs qui peuvent le rallonger. Une correction rapide et de qualité des malocclusions est à la fois profitable au patient et au praticien traitant. Cela diminue les effets secondaires liés à un traitement prolongé (carie, perte osseuse, déminéralisation de l’émail, etc.) tout en permettant à l’orthodontiste de mieux prévoir les coûts et dépenses découlant du bon fonctionnement de la clinique. OBJECTIF : L’objectif de la présente étude est d’évaluer et de quantifier les différentes variables pouvant influencer le temps de traitement orthodontique. MATÉRIELS ET MÉTHODES : L’étude compte 300 dossiers de patients suivis en rétention à la clinique d’Orthodontie de l’Université de Montréal. Huit d’entre eux ont été exclus en raison d’un mauvais suivi de leur traitement suite à des problèmes de santé ou pour cause de données manquantes. Les variables suivantes ont été extraites des dossiers : les informations du patients, les données cliniques et radiologiques liées aux malocclusions, les éléments de la planification et de l’exécution du traitement et ce qui a trait à la coopération du patient. Les analyses statistiques effectuées sont des analyses uni-variées (chi-carrée, t-test et ANOVA) pour identifier les variables ayant un effet sur le temps de traitement. La normalité de distribution des données a été vérifiée par un test Shapiro-Wilk. Une valeur de p < 0,05 était considérée statistiquement significative. Par la suite une régression multiple a été utilisée pour construire un modèle permettant de prédire le temps de traitement. RÉSULTATS ET DISCUSSION : Nous avons trouvé que la coopération est un des facteurs importants dans la variation du temps de traitement. Chaque rendez-vous manqué (RVM) et chaque boîtier décollé augmentent la durée de port d’appareillages fixes de 2,3 mois et 1 mois respectivement. Les variables ayant un impact sur la durée de la phase active sont nombreuses, allant de la planification des extractions jusqu’au protocole de traitement choisi. Par exemple, l’utilisation de l’adhésif Assure® et de la résine Transbond XT™ permettent un traitement plus effectif en un temps moindre, tout en limitant le nombre de boîtiers décollés. L’âge n’a pas d’influence contrairement à la sévérité de la malocclusion initiale (surplomb horizontal [OJ] et surplomb vertical [OB]) qui, par exemple, augmente la durée de traitement d’environ 10 jours par point du discrepancy index (DI) ou encore de 0,7 mois par millimètre de sévérité de classe II selon Angle. Les données récoltées nous ont permis d’établir le modèle de prédiction suivant : Temps de traitement estimé = 12,606 mois + 0,316 (si homme) + 0,084 x (valeur OJ) + 0,301 x (valeur OB) + 0,339 X (Point de DI) + 0,699 x (Sévérité Cl II) + X (valeur de la résine) + Y (valeur de l’adhésif) + Z (valeur du boîtier) + 4,297 (si extractions) + 4,163 (si port élastiques) + 1,750 (si clinicien anciennement gradué) + 2,297 x (par RVM) + 0,971 x (par boîtier décollé). CONCLUSION : Selon les résultats de cette étude, le temps de traitement orthodontique est influencé par les facteurs suivants selon leur ordre d’importance : extraction(s), coopération, malocclusion initiale, produits de collage et boîtiers utilisés, expérience du clinicien et sexe. Mots-clés : Orthodontie, temps de traitement, coopération, boîtier décollé, malocclusion.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".