TỔNG QUAN HỆ THỐNG VỀ CAN THIỆP NÂNG XOANG CỬA SỔ BÊN CÓ GHÉP XƯƠNG TRONG CẤY GHÉP IMPLANT NHA KHOA
Bibliographic record
Abstract
Mục tiêu: Tổng hợp và đánh giá về hiệu quả của vật liệu ghép xương trong phẫu thuật nâng xoang cửa sổ bên ghép xương có cấy ghép implant nha khoa. Đối tượng và phương pháp: Nghiên cứu tổng quan hệ thống được thực hiện trên 3 trang báo điện tử Pubmed, Cochrane, ScienceDirect giới hạn từ năm 2000-2020. Các bài báo được lựa chọn nếu đáp ứng các tiêu chuẩn (1) Tỉ lệ thất bại implant giữa các loại vật liệu ghép, (2) sử dụng từ 2 loại vật liệu xương ghép trở lên, (3) Phẫu thuật nâng xoang cửa sổ bên. Đánh giá chất lượng nghiên cứu bằng công cụ Newcastle-Ottawa. Kết quả: Trong tổng số 5558 nghiên cứu được chọn, có 6 nghiên cứu đáp ứng được đầy đủ các tiêu chí. Phân tích gộp tỉ lệ thành công implant của vật liệu xương đông khô với các vật liệu khác cho kết quả OR= 1,12; 95% CI=0,61-2,04 (chứa giá trị 1) điều đó cho thấy không có sự khác biệt về tỉ lệ thành công giữa vật liệu xương khử khoáng với các loại vật liệu xương ghép khác. Kết luận: Vật liệu xương đông khô khử khoáng đã được chứng minh có hiệu quả tương đương với vật liệu ghép xương khác trong phẫu thuật nâng xoang ghép xương, giúp bệnh nhân giảm thiểu chi phí và hạn chế phẫu thuật lấy xương tự thân. Để xác định được thời điểm cấy ghép implant sau ghép xương cũng như tải lực, cần có them nhiều nghiên cứu nữa để thiết lập được quy trình phẫu thuật hoàn chỉnh cho vật liệu xương đông khô.
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.105 | 0.017 |
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".