The Impact of Tooth Whitening Procedures on the Quality of Life: a Topic Review
Bibliographic record
Abstract
A estética em odontologia é uma das metas a ser alcançada visando à melhoria da qualidade de vida do paciente.O clareamento dental é um procedimento de baixo custo que pode ser realizado no consultório ou pelo próprio paciente em casa.Vários trabalhos científicos comprovaram sua eficácia e outros estudos foram realizados para avaliar essa eficácia com o impacto psicossocial.Entre as ferramentas que têm sido utilizadas para esse fim estão os questionários Oral Health Impact Profile (OHIP), Oral Impact on Daily Performance (OIDP) e Psicossocial Impact of Dental Esthetics (PIDAQ).O presente estudo tem como objetivo fazer uma revisão da literatura sobre o impacto do clareamento dental na qualidade de vida dos pacientes.As bases de dados PubMed, Cochrane Central, Scopus e Embase foram pesquisadas.Foram identificados 224 ar tigos e selecionados 40, dos quais 13 eram estudos clínicos.Parece haver um consenso na literatura pesquisada em relação ao clareamento dentário e à melhora da qualidade de vida.Por outro lado, sensibilidade dentária e irritação gengival também foram relatadas, o que pode levar a um impacto negativo na vida das pessoas.Porém, esse efeito negativo pode ser evitado ou minimizado pela associação do diagnóstico correto da mudança de cor, a utilização da técnica ideal e a concentração do agente clareador recomendada pelo dentista.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.004 | 0.002 |
| Bibliometrics | 0.007 | 0.009 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".