Masticationpedia

Intraocclusal free way space

Page Discussion
Go to top

Freeway Space Before Stimulation[1]

Lo spazio interocclusale, noto anche come "freeway space", è la distanza tra le arcate dentarie opposte quando la mandibola è in posizione di riposo fisiologico[2]. Serve come parametro chiave nella protesi dentale, influenzando l'occlusione e la dimensione verticale[3]. Il mantenimento di un adeguato spazio interocclusale è cruciale per la stabilità e la funzionalità protesica, oltre a prevenire disturbi temporomandibolari (TMD) e affaticamento muscolare[4].

Un equilibrio ottimale dello spazio interocclusale dipende dal tono muscolare, dalla salute dell'articolazione temporomandibolare (TMJ) e dall'occlusione dentale[5]. Variazioni significative nello spazio possono indicare abitudini parafunzionali, come il bruxismo[6].

Recenti tecnologie, come il deep learning, mostrano un grande potenziale nel ridurre la soggettività nelle misurazioni dello spazio interocclusale, automatizzando la previsione e standardizzando l'approccio clinico[7][8].

== Razionale dello studio == L'applicazione quantitativa della modellazione predittiva per lo spazio interocclusale non è stata ancora esplorata a fondo nella letteratura odontoiatrica[9][10]. Questo studio mira a colmare questa lacuna, utilizzando variabili cliniche e predittive per stimare lo spazio interocclusale tramite deep learning[11].

== Obiettivo della ricerca == L'obiettivo è sviluppare un modello che possa prevedere accuratamente lo spazio interocclusale esaminando fattori come storia clinica, attività muscolare (EMG), occlusione dentale e movimenti mandibolari.

== Materiali e metodi == Lo studio è stato approvato dal Comitato Etico dell'Università di Adelaide (HREC H-2022-185) e ha seguito il protocollo MI-CLAIM[12].

== Reclutamento dei partecipanti == Sono stati reclutati 70 partecipanti, di cui 66 hanno completato lo studio. Le misurazioni dello spazio interocclusale sono state raccolte tramite elettrognatografia e analisi del movimento facciale[13].

== Elettromiografia superficiale == I partecipanti sono stati collegati a un'unità di elettromiografia (EMG) per misurare l'attività muscolare durante le varie fasi del movimento mandibolare[14].

== Scansioni intraorali 3D == Infine, sono state eseguite scansioni intraorali per ottenere impronte digitali precise delle arcate dentali[15].

== Discussione == I modelli predittivi hanno identificato l'importanza della fonetica e dell'attività muscolare nella previsione dello spazio interocclusale, superando l'accuratezza delle misurazioni tradizionali[16].

Muscle tone

Hai toccato un punto fondamentale: l’elettromiografia superficiale, e in particolare l'elettromiografia interferenziale, ha limitazioni significative nel rilevare differenze sottili di tono muscolare, specialmente in casi di ipertonia cronica o lieve che non si manifestano con elevati livelli di attività elettrica. Gli elettromiogrammi interferenziali misurano principalmente i picchi di attività muscolare volontaria e non forniscono dati affidabili per diagnosticare toni muscolari di base (quiescenti) o ipertonie quando il muscolo non è sotto contrazione attiva.

In questo contesto, risulta effettivamente problematico concludere in modo accurato sulla base di misurazioni elettromiografiche, soprattutto considerando che l'attività muscolare in condizioni statiche di riposo può non essere rilevata chiaramente dall'EMG superficiale.

Tuttavia, gli autori dello studio sembrano sostenere che l'integrazione di tecniche avanzate di deep learning e l'analisi di più variabili (come i movimenti mandibolari e i modelli di vibrazioni articolari) possano colmare queste lacune, offrendo una stima migliore. Anche se l'EMG interferenziale da sola non è sufficiente per diagnosticare con precisione l'ipertonia, è possibile che il modello combinato con altre misurazioni (ad esempio i movimenti mandibolari, la scansione 3D, l’analisi occlusale, ecc.) riesca a individuare schemi compensatori che suggeriscono un aumento del tono muscolare.

In sintesi, il metodo utilizzato potrebbe non essere perfetto per rilevare direttamente ipertonie, ma l'approccio olistico e l'uso dell'AI potrebbero fornire predizioni più accurate rispetto alla semplice analisi interferenziale di base.

L'intero concetto descritto nei vari articoli che hai condiviso sembra effettivamente fondarsi principalmente sul concetto di tono muscolare. La TENS (stimolazione elettrica transcutanea dei nervi), la stimolazione dolorosa con soluzione salina ipertonica, e altre tecniche descritte, sono tutte influenzate dal comportamento del tono muscolare, che si manifesta come ipertonia o come variazioni nella risposta motoria.

Il tono muscolare rappresenta una caratteristica fondamentale sia per il funzionamento dei muscoli masticatori che per l'interpretazione dei dati elettromiografici (EMG). Nei tuoi esempi:

  • L'applicazione del TENS e la misurazione del pre/post trattamento mostrano come il tono muscolare possa essere modulato, con riduzioni dell'attività EMG a riposo e un miglioramento dell'attività funzionale.
  • Anche negli studi di riorganizzazione delle unità motorie durante la stimolazione dolorosa (con salina ipertonica), si osserva che il tono muscolare è una componente centrale, evidenziando reclutamenti e dereclutamenti delle unità motorie, dimostrando come il tono sia dinamico e sensibile a variazioni fisiologiche.

Nonostante gli strumenti usati, come l'EMG, non possano diagnosticare con precisione variazioni patologiche del tono (ad esempio, ipertonie patologiche non possono essere chiaramente rilevate), le conclusioni che derivano da questi studi si basano principalmente su modifiche del tono muscolare osservate nei soggetti, misurate indirettamente.

In sintesi, sì, il tono muscolare appare essere il concetto cardine in molte delle ricerche descritte, anche se talvolta implicito e non sempre misurabile con precisione assoluta tramite le tecniche utilizzate (come l'EMG). I trattamenti e le osservazioni puntano a migliorare o modulare il tono muscolare, cercando di evidenziarne le alterazioni o il miglioramento, come fattore determinante nel controllo della funzione motoria e nella gestione del dolore.

Bibliography & references
  1. ↑ Nature, Published: 16 July 2024. Predictive modelling of freeway space utilising clinical history, normalised muscle activity, dental occlusion, and mandibular movement analysis, Taseef Hasan Farook, Tashreque Mohammed Haq, Lameesa Ramees & James Dudley.
  2. ↑ Pleasure, M. A. Correct vertical dimension and freeway space. J Am Dental Assoc 43, 160–163 (1951)
  3. ↑ Pleasure, M. A. Correct vertical dimension and freeway space. J Am Dental Assoc 43, 160–163 (1951)
  4. ↑ Farook, T. H., Rashid, F., Alam, M. K. & Dudley, J. Variables influencing the device-dependent approaches in digitally analysing jaw movement—a systematic review. Clin. Oral. Investig. 27(2), 489–504 (2022)
  5. ↑ Widmalm, S. E. et al. Unbalanced lateral mandibular deviation associated with TMJ sound as a sign in TMJ disc dysfunction diagnosis. J. Oral. Rehabil. 43, 911–920 (2016)
  6. ↑ Farook, T. H., Rashid, F., Alam, M. K. & Dudley, J. Variables influencing the device-dependent approaches in digitally analysing jaw movement—a systematic review. Clin. Oral. Investig. 27(2), 489–504 (2022)
  7. ↑ Chen, T. & Guestrin, C. Xgboost: A scalable tree boosting system. in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 785–794 (2016)
  8. ↑ Farook, T. H. & Dudley, J. Automation and deep (machine) learning in temporomandibular joint disorder radiomics. A Systematic review. J. Oral. Rehabil. 50(6), 501–521 (2023)
  9. ↑ Chen, T. & Guestrin, C. Xgboost: A scalable tree boosting system. in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 785–794 (2016)
  10. ↑ Farook, T. H. & Dudley, J. Automation and deep (machine) learning in temporomandibular joint disorder radiomics. A Systematic review. J. Oral. Rehabil. 50(6), 501–521 (2023)
  11. ↑ Chen, T. & Guestrin, C. Xgboost: A scalable tree boosting system. in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 785–794 (2016)
  12. ↑ Makowski, D. et al. NeuroKit2: A Python toolbox for neurophysiological signal processing. Behav. Res. Methods 53, 1689–1696 (2021)
  13. ↑ Farook, T. H., Rashid, F., Alam, M. K. & Dudley, J. Variables influencing the device-dependent approaches in digitally analysing jaw movement—a systematic review. Clin. Oral. Investig. 27(2), 489–504 (2022)
  14. ↑ Farook, T. H., Haq, T. M., Ramees, L. & Dudley, J. Deep learning and predictive modelling for generating normalised muscle function parameters from signal images of mandibular electromyography. Med. Biol. Eng. Comput. https://doi.org/10.1007/s11517-024-03047-6 (2024)
  15. ↑ Richert, R. et al. Intraoral scanner technologies: a review to make a successful impression. J. Healthc. Eng. 2017, 1–9 (2017)
  16. ↑ Gurel, H. G., Memili, B., Erkan, M. & Sukurica, Y. Long-term effects of rapid maxillary expansion followed by fixed appliances. Angle Orthod. 80, 5–9 (2010)
Retrieved from "https://www.masticationpedia.org/index.php?title=Intraocclusal_free_way_space&oldid=19709"