Editor, Editors, USER, admin, Bureaucrats, Check users, dev, editor, founder, Interface administrators, oversight, Suppressors, Administrators, translator
10,561
edits
Difference between revisions of "Transcutaneous Electric Nerve Stimulation"
Transcutaneous Electric Nerve Stimulation (view source)
Revision as of 17:28, 20 October 2024
, 2 days agono edit summary
| Line 151: | Line 151: | ||
Successivamente, i partecipanti hanno masticato una gomma da masticare senza zucchero per specifici intervalli di 15 secondi su ciascun lato e per ulteriori 20 secondi dove hanno masticato la gomma naturalmente. Sono stati registrati i valori quantitativi per l'ampiezza di movimento verticale e inclinato. I partecipanti sono stati quindi invitati a eseguire espressioni fonetiche di consonanti specifiche (fricative, sibilanti, linguodentali e bilabiali) mentre l'EGN rimaneva collegato. Successivamente, è stato chiesto ai partecipanti di pronunciare i numeri da 61 a 69, il che ha fornito una panoramica delle variazioni nel movimento della mandibola durante il passaggio tra le quattro consonanti specifiche. Lo spostamento mandibolare medio durante la pronuncia di ciascuna consonante è stato registrato. Gli script del parlato sono stati derivati da frasi stabilite in inglese delineate da Cheireici et al. nel 1979<ref>Chierici, G. & Lawson, L. Clinical speech considerations in prosthodontics: Perspectives of the prosthodontist and speech pathologist. J. Prosthet. Dent. 29, 29–39 (1973)</ref>. | Successivamente, i partecipanti hanno masticato una gomma da masticare senza zucchero per specifici intervalli di 15 secondi su ciascun lato e per ulteriori 20 secondi dove hanno masticato la gomma naturalmente. Sono stati registrati i valori quantitativi per l'ampiezza di movimento verticale e inclinato. I partecipanti sono stati quindi invitati a eseguire espressioni fonetiche di consonanti specifiche (fricative, sibilanti, linguodentali e bilabiali) mentre l'EGN rimaneva collegato. Successivamente, è stato chiesto ai partecipanti di pronunciare i numeri da 61 a 69, il che ha fornito una panoramica delle variazioni nel movimento della mandibola durante il passaggio tra le quattro consonanti specifiche. Lo spostamento mandibolare medio durante la pronuncia di ciascuna consonante è stato registrato. Gli script del parlato sono stati derivati da frasi stabilite in inglese delineate da Cheireici et al. nel 1979<ref>Chierici, G. & Lawson, L. Clinical speech considerations in prosthodontics: Perspectives of the prosthodontist and speech pathologist. J. Prosthet. Dent. 29, 29–39 (1973)</ref>. | ||
==Elettromiografia superficiale== | |||
I partecipanti sono stati collegati a un'unità di elettromiografia (EMG) (BioEMGIII; BioResearch Associates Inc.) e istruiti a replicare le attività registrate con l'unità di elettrognatografia a 6 canali (EGN) con messa a terra basata su TENS. Le frequenze di campionamento per l'apertura della bocca, le escursioni laterali e la protrusione anteriore erano di 3000 Hz. Inoltre, i partecipanti hanno eseguito un serramento non stimolato, che consisteva nel far combaciare i denti e serrare senza alcun oggetto esterno che influenzasse il contatto occlusale. Hanno quindi dimostrato la loro forza massima di morso su rotoli di cotone posizionati bilateralmente nelle regioni molari. Le frequenze di campionamento per la masticazione, il serramento e la forza massima di morso sono state impostate a 1000 Hz. I guadagni dell'amplificatore per tutti i canali sono stati mantenuti al valore predefinito di 5000. | |||
La standardizzazione per tutti i 66 partecipanti è stata raggiunta normalizzando le scansioni dei segnali per ogni attività utilizzando un software basato su deep learning sviluppato internamente, che ha prodotto quozienti standardizzati sia per l'intensità muscolare che per la durata dell'attività<ref>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)</ref>. Le immagini EMG sono state standardizzate per variare tra 1604×579 pixel e 1617×590 pixel, con normalizzazione imbottita per garantire che il segnale risultante avesse una lunghezza standard di max(M, 5)−min(M, 5)+ 1<ref>Farook, T. H., Haq, T. M. & Dudley, J. Dental loop signals: Image-to-signal processing for mandibular electromyography. Sofware Impacts 19, 100631 (2024)</ref>. Questi metodi di normalizzazione sono stati implementati seguendo valutazioni precedenti che sono state successivamente riutilizzate per creare uno strumento open-source per l'elaborazione del segnale, Dental Loop Signals v1.0 (<https://github.com/SofwareImpacts/SIMPAC-2023-498>)<ref>Farook, T. H., Haq, T. M. & Dudley, J. Dental loop signals: Image-to-signal processing for mandibular electromyography. Sofware Impacts 19, 100631 (2024)</ref>. | |||
Dental Loop Signals offre funzioni come la visualizzazione delle immagini, la selezione muscolare, l'estrazione del segnale e il clustering. L'API di NeuroKit2 per l'elaborazione EMG è stata utilizzata per calcolare i quozienti di intensità e durata, mentre la classe Cluster ha gestito gli algoritmi di clustering basati sull'attività muscolare<ref>Makowski, D. et al. NeuroKit2: A Python toolbox for neurophysiological signal processing. Behav. Res. Methods 53, 1689–1696 (2021)</ref>. Il software è stato reso modulare per supportare parametri regolabili, specifiche attività, elaborazione batch, selezione muscolare e etichettatura personalizzata. | |||
==Analisi delle vibrazioni articolari== | |||
L'attività funzionale dell'articolazione temporomandibolare è stata registrata utilizzando uno strumento di analisi delle vibrazioni non invasivo (JVA; BioResearch Associates Inc.), catturando le variazioni nell'integrale delle vibrazioni, nell'ampiezza e nella frequenza per entrambe le articolazioni, destra e sinistra. I dati sono stati elaborati insieme ai dati EMG seguendo metodologie pubblicate precedentemente<ref>Farook, T. H., Haq, T. M., Ramees, L. & Dudley, J. Predicting masticatory muscle activity and deviations in mouth opening from non-invasive temporomandibular joint complex functional analyses. J. Oral. Rehabil. https://doi.org/10.1111/joor.13769 (2024)</ref>. La frequenza di campionamento era impostata a 5000 Hz e l'ottimizzazione della gamma di frequenze per le vibrazioni era compresa tra 0,5 Hz e 300 Hz. | |||
== Scansioni intraorali 3D == | |||
Infine, uno scanner intraorale (Shining3D AoralScan 3) è stato utilizzato per scansionare le arcate superiori e inferiori con occlusione, seguendo protocolli di scansione precedentemente stabiliti per ottenere impronte dettagliate ottimali<ref>Richert, R. et al. Intraoral scanner technologies: a review to make a successful impression. J. Healthc. Eng. 2017, 1–9 (2017)</ref>. Una valutazione pilota ha esaminato l'hardware utilizzato e i bias indotti dall'operatore, rivelando che né la scelta dell'hardware né l'esperienza clinica dell'operatore hanno influenzato le previsioni della macchina<ref>Farook, T. H. et al. Infuence of intraoral scanners, operators, and data processing on dimensional accuracy of dental casts for unsupervised clinical machine learning: An in vitro comparative study. Int. J. Dent. 2023, 1–10 (2023)</ref>. È stato inoltre rilevato che i dispositivi mobili erano in grado di catturare dati comparabili alle workstation standard<ref>Farook, T. H. & Dudley, J. A comparison of a handheld minicomputer and an external graphics processing unit in performing 3D intraoral scans. J. Prosthet. Dent. https://doi.org/10.1016/j.prosdent.2024.03.028 (2024)</ref>, il che significa che i dispositivi medici e le unità di elaborazione grafica collegate tramite terminali ad alta velocità come USB-4 e Oculink sono in grado di generare campioni di dati accurati senza perdita di segnale. Il software CAD (Meshmixer; Autodesk Inc.) ha misurato le distanze inter-canine e inter-molare, i perimetri delle arcate, l'overjet e l'overbite. | |||
== Compilazione dei dati per il post-processing == | |||
Il foglio di dati combinati ottenuto nel post-processing includeva un set completo di caratteristiche relative ai parametri occlusali come le relazioni inter-canine e inter-molare, il perimetro delle arcate, l'overbite, l'overjet e varie gamme di movimento. Copriva anche l'inclinazione abituale della testa, l'escursione laterale dei tessuti molli, i pattern di masticazione, i dati EGN sull'ampiezza di movimento e lo spazio interocclusale medio, i dati EMG normalizzati sull'intensità muscolare e la durata dell'attività, le metriche dell'analisi delle vibrazioni articolari e le espressioni fonetiche. Inoltre, sono state raccolte informazioni personali e relative alla salute, inclusi etnia, età, genere, altezza, peso, BMI, storia dentale, condizioni mediche e fattori di stile di vita, come serramento della mandibola, bruxismo, apnea del sonno e condizioni di salute diagnosticate. Tutti questi dati sono stati combinati per formare un set di dati di 121 caratteristiche predittive e una variabile target continua (Spazio interocclusale). Un'osservazione è stata esclusa dopo la compilazione dei dati a causa di una discrepanza nella categorizzazione. | |||
== Modellizzazione predittiva e spiegabilità == | |||
Alla fine, erano disponibili sessantacinque osservazioni originali. Sono state generate osservazioni sintetiche utilizzando la libreria Python Synthetic Data Vault (SDV) sfruttando un'autoencoder variazionale basato su triplette (TVAE) ottimizzato<ref>Patki, N., Wedge, R. & Veeramachaneni, K. Te synthetic data vault. in 2016 IEEE International Conference on Data Science and Advanced Analytics (DSAA) 399–410 (IEEE, 2016)</ref>. | |||
Per modellare i dati, sono stati considerati sei diversi approcci: regressione lineare, CatBoost, XGBoost, Random Forest, reti neurali multilayer perceptron (MPNN) e TabNet<ref>Hancock, J. T. & Khoshgofaar, T. M. CatBoost for big data: an interdisciplinary review. J. Big Data 7, 1–45 (2020)</ref><ref>Arik, S. Ö. & Pfster, T. Tabnet: Attentive interpretable tabular learning. arXiv preprint arXiv:2004.13912 (2019)</ref>. Ogni modello offriva approcci unici per gestire le variabili. La regressione lineare tradizionale formula previsioni basate sull'assunzione di relazioni lineari. CatBoost gestisce i dati categorici attraverso l'apprendimento iterativo o il boosting. XGBoost utilizza alberi decisionali ramificati invece di relazioni strettamente lineari, mentre Random Forest combina le previsioni provenienti da più alberi decisionali. Le reti neurali multilayer perceptron (MPNN) valutano le informazioni in strati sequenziali e sono strutturate per gestire relazioni complesse. TabNet utilizza un meccanismo di attenzione che si concentra su combinazioni di caratteristiche nei dati tabulari che il modello ritiene rilevanti e di priorità più alta nell'instaurare relazioni. La regressione lineare è stata utilizzata come modello di riferimento. La sintonizzazione degli iperparametri è stata condotta con una validazione incrociata a cinque pieghe per XGBoost, CatBoost e Random Forest, mentre MPNN e TabNet sono stati validati utilizzando una divisione dell'80:20 sui dati sintetici per l'addestramento e la validazione<ref>Shwartz-Ziv, R. & Armon, A. Tabular data: Deep learning is not all you need. arXiv preprint arXiv:2106.03253 (2021)</ref><ref>Lundberg, S. M. & Lee, S.-I. A unifed approach to interpreting model predictions. Adv Neural Inf Process Syst 30, (2017)</ref>. | |||
I migliori modelli sono stati scelti dopo la sintonizzazione degli iperparametri per minimizzare l'errore quadratico medio di validazione (RMSE). L'errore medio assoluto (MAE) è stato utilizzato nello studio corrente per quantificare la precisione media della previsione misurando la magnitudine degli errori tra i valori previsti e quelli effettivi, gestendo efficacemente i bias introdotti dagli outlier. I diagrammi a scatola sono stati utilizzati per valutare l'impatto distribuzionale delle variabili categoriche, mentre i grafici a dispersione e le analisi di correlazione sono stati impiegati per valutare l'idoneità delle variabili numeriche. Il flusso di lavoro complessivo per la modellizzazione predittiva è illustrato nella Figura 2. | |||
== Intelligenza artificiale spiegabile == | |||
Le SHapley Additive ExPlanations (SHAP) sono state utilizzate per generare un report di spiegabilità dell'importanza delle 121 caratteristiche. Questo si basa sui valori di Shapley, sviluppati dalla teoria dei giochi cooperativi per l'assegnazione equa del credito, che nel caso attuale ha calcolato i valori per le caratteristiche che hanno prodotto i maggiori contributi nella previsione dello spazio interocclusale<ref>Lundberg, S. M. & Lee, S.-I. A unifed approach to interpreting model predictions. Adv Neural Inf Process Syst 30, (2017)</ref>. Basandosi sulle importanze delle caratteristiche, la dimensione dei dati di addestramento sintetici è stata regolata da 500 a 25.000 dati fino a quando i migliori modelli sono stati identificati e ottimizzati. L'accesso ai codici, alle informazioni sulla sintonizzazione degli iperparametri e agli esiti delle analisi SHAP è stato presentato come informazioni supplementari nella sezione "Data Availability". | |||
== Approvazione etica == | |||
Lo studio è stato approvato dal Comitato Etico per la Ricerca Umana dell'Università di Adelaide (HREC H-2022-185). Tutti gli esperimenti sono stati eseguiti in conformità con le linee guida e le normative pertinenti. Il consenso informato è stato ottenuto da tutti i soggetti sia per la partecipazione allo studio che per la diffusione dei dati attraverso pubblicazioni peer-reviewed. | |||
== Consenso dei partecipanti == | |||
Tutti i partecipanti hanno fornito un consenso scritto e firmato prima di partecipare alla ricerca. | |||
== Risultati == | |||
La valutazione della spiegabilità ha rivelato che i modelli di deep learning più efficaci hanno dato priorità alla recitazione sequenziale da sessantuno a sessantanove (60 s fonetica), ai segnali EMG del muscolo temporale durante il serramento, all'intensità del muscolo temporale durante le escursioni laterali, al peso corporeo e agli spostamenti mandibolari durante l'espressione fonetica delle fricative come variabili cruciali per una previsione accurata dello spazio interocclusale. Successivamente, un'analisi approfondita si è concentrata sull'importanza individuale delle caratteristiche nel miglior modello, in particolare per la storia auto-riferita. Oltre all'età, all'altezza e al peso corporeo, fattori come l'inclinazione abituale della testa e una storia positiva di click mandibolari sono emersi come fattori notevoli che influenzano il processo decisionale del modello. Esaminando i dati elettrognatografici, è emerso che l'espressione fonetica, i pattern di masticazione e lo spostamento verticale della mandibola durante l'apertura massima della bocca erano le principali caratteristiche predittive. Tutti gli aspetti delle funzioni muscolari e delle analisi delle vibrazioni sono stati considerati importanti, con le attività del muscolo temporale durante il serramento e i parametri di vibrazione articolare durante le escursioni laterali che si sono distinti come i predittori più influenti per il modello ottimale nella previsione dello spazio interocclusale. Infine, nel contesto dei predittori derivati dai modelli 3D delle arcate, la distanza intermolare mascellare ha mostrato una maggiore importanza in tutto il campione. L'elenco dei predittori e i relativi valori SHAP sono elencati nella Tabella 1. | |||
Senza escludere alcun predittore di basso rango, i modelli risultanti sono stati prima valutati sul set di test delle 66 osservazioni originali. Notevolmente, CatBoost ha superato gli altri modelli con un MAE di test di 0,65. La rete neurale multilayer perceptron ha ottenuto la migliore prestazione con un MAE di test di 0,556, superando TabNet, che ha dimostrato segni di overfitting. Una volta eliminati i predittori di basso rango, è stato generato un dataset sintetico di 5000 dati per addestrare ciascun modello e quindi testarlo sui dataset originali. Il modello base di alberi potenziati, CatBoost, ha ottenuto la migliore prestazione, con un MAE finale di 0,69. Tentando un ulteriore miglioramento, sono state mantenute solo le caratteristiche con punteggi di importanza ≥0,5, ma il MAE finale utilizzando CatBoost è rimasto a 0,70. | |||
Si è ipotizzato che i modelli addestrati esclusivamente su dati sintetici e convalidati mancassero dell'esposizione alle variabili presenti nelle osservazioni reali. Per indagare su questa teoria, nella successiva valutazione non sono stati esclusi predittori di basso rango, ma il set di dati di addestramento è stato ridotto a 500 osservazioni sintetiche generate utilizzando TVAE. Sono state mantenute le colonne con punteggi di somiglianza superiore a 0,75. Successivamente, 30 osservazioni selezionate casualmente dai dati originali sono state incorporate casualmente nel dataset sintetico, mentre le restanti 35 sono state lasciate non viste per il test. Questo processo mirava a sfidare la teoria iniziale. L'intero processo di modellizzazione è stato ripetuto, e i punteggi successivi sono stati ottenuti per la valutazione (Tabella 2). | |||
Dopo risultati insoddisfacenti dal test della teoria precedente, sono state generate 25.000 osservazioni sintetiche utilizzando TVAE. Sono state mantenute solo le colonne con punteggi di somiglianza ≥0,6. A differenza dello scenario precedente e simile al primo scenario, i dati originali sono rimasti intatti, senza trasferimento di osservazioni nel dataset sintetico. L'utilizzo di un numero elevato di osservazioni mirava a prevenire l'underfitting. I passaggi di modellizzazione sono stati quindi ripetuti e i risultati successivi sono stati registrati (Tabella 3). Analizzando i risultati, il modello di alberi potenziati CatBoost ha mostrato un miglioramento del punteggio MAE di 0,65, paragonabile all'iterazione precedente. La rete neurale multilayer perceptron (MPNN) ha superato i modelli più complessi, ottenendo un MAE di test di 0,556. Al contrario, il modello più intricato TabNet ha dimostrato una generalizzazione peggiore, indicando un possibile overfitting. Gli iperparametri della rete multilayer perceptron sono stati ulteriormente ottimizzati per produrre dimensioni di layer nascosti di 128, 512, 256 e 64, un layer di dropout del 25%, funzione di attivazione ReLU, ottimizzatore Adam, early stopping con una pazienza di 50, una divisione di validazione del 25% e 1000 epoche, ottenendo un errore assoluto medio di test ridotto significativamente a 0,4258 mm. | |||
== Discussione == | |||
L'obiettivo primario di questo studio era costruire un modello predittivo per lo spazio interocclusale basato su una valutazione completa del movimento mandibolare e della storia auto-riferita in un gruppo di 66 individui del Sud Australia. La precisione delle previsioni sullo spazio interocclusale per tutti i 66 individui è stata determinata in 0,43 mm, superando l'errore umano documentato nelle misurazioni degli indici maxillofacciali, che è di circa 1,0 mm<ref>Mommaerts, M. Y. & Moerenhout, B. A. Reliability of clinical measurements used in the determination of facial indices. J. Cranio-Maxillofac. Surg. 36, 279–284 (2008)</ref>, portando al rigetto dell'ipotesi iniziale. | |||
In pratica dentale, lo spazio interocclusale richiede una precisione di misurazione tipicamente compresa tra 0,2 e 1,0 mm<ref>Johnson, A., Wildgoose, D. G. & Wood, D. J. Te determination of freeway space using two diferent methods. J. Oral Rehabil. 29, 1010–1013 (2002)</ref>. Le variazioni derivano da fattori come il rilassamento muscolare che influenza la posizione mandibolare, variazioni nella postura della testa durante la misurazione e differenze nella tecnica o nella calibrazione dello strumento. Sebbene gli strumenti di calibrazione mirino a mitigare queste variazioni, le fluttuazioni naturali rimangono inevitabili e non possono essere quantificate con precisione senza considerare tutte le variabili del movimento dinamico della mandibola collettivamente. Il modello migliore in questo studio ha raggiunto un tasso di errore di 0,43 mm, superando la variazione standard media derivata da osservazioni umane di 0,5 mm tra dispositivi diversi. | |||
Questo studio si distingue come il primo a estrarre spiegazioni dai modelli di deep learning nella stima dello spazio interocclusale dentale, facendo luce sulle caratteristiche influenti che guidano le loro decisioni. Le intuizioni mediche chiariscono ulteriormente la logica alla base delle scelte di classificazione dei modelli. Le alterazioni legate all'età nel tono muscolare e nella struttura articolare, spesso impercettibili all'osservazione umana, influenzano la posizione di riposo della mandibola e impattano lo spazio interocclusale. Le variazioni in altezza e peso contribuiscono alla complessità della morfologia craniofacciale, influenzando potenzialmente le relazioni spaziali, inclusi lo spazio interocclusale<ref>Gurel, H. G., Memili, B., Erkan, M. & Sukurica, Y. Long-term efects of rapid maxillary expansion followed by fxed appliances. Angle Orthod. 80, 5–9 (2010)</ref>. | |||
L'escursione laterale dei tessuti molli, indicativa del movimento durante le escursioni laterali della mandibola, influisce significativamente sulla posizione di riposo e sullo spazio interocclusale quando sono presenti squilibri o restrizioni, influenzando successivamente l'escursione laterale dei tessuti duri. L'inclinazione abituale della testa induce cambiamenti nella posizione della mandibola, alterando così lo spazio interocclusale e influenzando le relazioni occlusali, l'attività muscolare e la stabilità del morso<ref>Makowski, D. et al. NeuroKit2: A Python toolbox for neurophysiological signal processing. Behav. Res. Methods 53, 1689–1696 (2021)</ref>. | |||
Sottili squilibri nel perimetro delle arcate, overjet o overbite impattano direttamente le dimensioni spaziali, potenzialmente portando a insufficiente spazio interocclusale, disagio, instabilità o sfide funzionali. I modelli predittivi mirano a discernere tendenze uniche negli individui, catturando piccole variazioni nella crescita, nei pattern fonetici e nelle escursioni laterali mandibolari. L'articolazione chiara durante l'espressione del linguaggio richiede uno spazio interocclusale adeguato. Lo spazio interocclusale insufficiente, che può derivare da malocclusione o variazioni patologiche nel complesso dell'articolazione temporomandibolare, può influenzare i pattern fonetici dei pazienti, causando sfide articolatorie durante la traduzione mandibolare<ref>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)</ref><ref>Farook, T. H., Saad, F. H., Ahmed, S. & Dudley, J. Neuroendocrine infuencers and associated factors that shape jaw movement and growth in temporomandibular joint disorder management: A systematic review of clinical and radiographic evidence. J. Pers. Med. 13, 840 (2023)</ref>. | |||
== Discussione == | |||
Queste variazioni, spesso impercettibili a occhio nudo ma rilevabili tramite il tracciamento ottico dei punti di riferimento e l'EGN, forniscono ai modelli una diversità di dati sufficiente per stabilire tendenze. È interessante notare che i modelli predittivi e il deep learning eccellono nell'identificare piccole deviazioni dalle tendenze comuni, mentre l'osservazione umana tende a concentrarsi su somiglianze e familiarità. | |||
Una gamma di movimento mandibolare ristretta può compromettere lo spazio interocclusale, limitando la posizione di riposo e influenzando la stabilità occlusale e il comfort del paziente. In casi di clearance bimascellare inadeguata, possono risultare dinamiche di masticazione unilaterale instabili<ref>Gurel, H. G., Memili, B., Erkan, M. & Sukurica, Y. Long-term efects of rapid maxillary expansion followed by fxed appliances. Angle Orthod. 80, 5–9 (2010)</ref>. Le analisi di spiegabilità hanno indicato che l'intelligenza artificiale ha prestato maggior attenzione all'espressione fonetica, all'attività muscolare durante il serramento e alle vibrazioni dell'ATM durante le escursioni laterali e la protrusione anteriore. Questa preferenza probabilmente deriva dal fatto che i modelli eccellono nell'apprendere da sottili variazioni nel comportamento umano piuttosto che da movimenti generici che potrebbero essere coerenti tra gli individui fino a un certo punto. Inoltre, i modelli hanno identificato la distanza intermolare mascellare dai modelli 3D come un predittore significativo. Questo risultato è intrigante, considerando uno studio precedente che riportava gli effetti a lungo termine dell'espansione mascellare, il quale ha osservato i maggiori cambiamenti e le più alte recidive nelle regioni intermolari, ritenendo le distanze inter-canine meno affidabili come misure<ref>Crins, L. A. M. J. et al. Randomised controlled trial on testing an increased vertical dimension of occlusion prior to restorative treatment of tooth wear. J. Oral. Rehabil. 50, 267–275 (2023)</ref>. Nello studio attuale, le distanze inter-canine sono state classificate in fondo alla lista delle priorità dai modelli. | |||
Il serramento persistente e il bruxismo, che portano a cambiamenti occlusali, usura dentale e tensione muscolare, hanno un'influenza importante sulla dimensione verticale a riposo<ref>Budală, D. G. et al. A contemporary review of clinical factors involved in speech-perspectives from a prosthodontist point of view. Medicina 59(7), 1322. https://doi.org/10.3390/medicina59071322 (2023)</ref>. Alcune di queste abitudini parafunzionali sono più comuni nei pazienti giovani e spesso richiedono un intervento ortodontico<ref>Millett, D. T., Cunningham, S. J., Obrien, D. K., Benson, P. E. & de Oliveira, C. M. Orthodontic treatment for deep bite and retroclined upper front teeth in children. Cochrane Database Syst. Rev. https://doi.org/10.1002/14651858.CD005972.pub3 (2018)</ref>. Il trattamento ortodontico per correggere i disallineamenti derivanti da abitudini parafunzionali o da malocclusione dovuta a discrepanze nello spazio dell'arcata può alterare inavvertitamente lo spazio interocclusale<ref>Yang, Y. et al. Te efects of aligner anchorage preparation on mandibular frst molars during premolar-extraction space closure with clear aligners: A fnite element study. Am. J. Orthodon. Dentofac. Orthop. 164(2), 226–238 (2023)</ref>. I modelli con le migliori prestazioni hanno considerato tutti questi fattori nelle loro previsioni senza richiedere agli operatori di classificare le caratteristiche per i modelli di deep learning. Le variazioni nella forza occlusale massima possono influenzare l'articolazione dentale e la tensione muscolare all'interno dello spazio interocclusale<ref>Roldán, S., Buschang, P. H., Isaza Saldarriaga, J. F. & Trockmorton, G. Reliability of maximum bite force measurements in age-varying populations. J. Oral. Rehabil. 36, 801–807 (2009)</ref>. Tuttavia, la natura soggettiva della forza occlusale massima e la sua variabilità tra gli individui sono stati oggetto di dibattito in odontoiatria; curiosamente, i modelli in questo studio hanno classificato questi parametri più in basso nella loro lista di priorità<ref>Gilbert, G. H., Rose, J. S. & Shelton, B. J. A prospective study of the validity of data on self-reported dental visits. Commun. Dent. Oral. Epidemiol. 30, 352–362 (2002)</ref>. | |||
Sebbene la storia auto-riferita possa essere suscettibile a imprecisioni, i clinici spesso danno priorità alle prove cliniche quantificabili rispetto alle condizioni riferite dai pazienti a causa di potenziali bias<ref>Zhang, Y. et al. Meta-transformer: A unifed framework for multimodal learning. arXiv preprint arXiv:2307.10802 (2023)</ref>. Tuttavia, l'esclusione della storia auto-riferita nella progettazione iniziale dello studio attuale, basata esclusivamente su variabili numeriche, ha portato a qualche errore assoluto. Questo sottolinea il ruolo della storia auto-riferita nella previsione dello spazio interocclusale funzionale. Anche quando sono disponibili dati di imaging, la storia auto-riferita serve come una fonte di dati secondaria per valutare la salute complessiva dell'articolazione temporomandibolare<ref>Farook, T. H., Rashid, F., Alam, M. K. & Dudley, J. Variables infuencing the device-dependent approaches in digitally analysing jaw movement—a systematic review. Clin. Oral. Investig. 27(2), 489–504 (2022)</ref>. | |||
==Revisione contentuo== | |||
La scelta dello Research Diagnostic Criteria (RDC) di escludere la Stimolazione Elettrica Transcutanea (TENS) dalla diagnosi dei disordini temporomandibolari (TMD) potrebbe derivare da diversi fattori legati alla difficoltà di ottenere risultati oggettivi e ripetibili con questa tecnica. Nonostante diversi studi recenti abbiano riportato miglioramenti nella sintomatologia dei pazienti con l'uso della TENS, è importante comprendere alcune limitazioni e possibili ragioni per cui questa procedura è stata esclusa dal RDC già dal 1994: | |||
1. Assenza di Evidenze Ripetibili e Oggettive: | |||
Nonostante alcuni studi riportino benefici dalla TENS, la difficoltà nel misurare in modo standardizzato fenomeni come l'ipertono o l'ipereccitabilità muscolare potrebbe aver contribuito alla sua esclusione. L'ipertono muscolare nei pazienti affetti da TMD è spesso difficile da rilevare oggettivamente, e la risposta alla TENS varia notevolmente tra i pazienti. Inoltre, le tecniche attuali per la rilevazione dell'attività muscolare, come l'elettromiografia, possono essere influenzate da numerosi fattori esterni, portando a dati incoerentio Temporaneo e Mancanza di Prove a Lungo Termine**: La TENS può offrire sollievo temporaneo dal dolore, ma non vi sono prove sufficienti a lungo termine che dimostrino la sua efficacia nel miglioramento duraturo della funzione articolare e muscolare nei TMD. Studi che supportano la TENS spesso riportano miglioramenti nel breve termine, ma non indicano se questi effetti persistano nel lungo periodo, riducendo la sua validità come metodo diagnostico o terapeutico affidabile . | |||
3. Biasci: | |||
Molti studi che promuovono l'uso della TENS nella gestione dei TMD si basano su auto-riferimenti dei pazienti per quanto riguarda la riduzione del dolore o il miglioramento della funzione mandibolare. Tuttavia, questi dati soggettivi possono essere influenzati da bias psicologici e variazioni individuali che rendono difficile ottenere risultati clinicamente affidabili. Il RDC tende a basarsi su metodi diagnostici che offrono misurazioni più oggettive e replicabili . | |||
4. Evoluzione delle Tecnictiche: | |||
Con il progredire della ricerca e l'introduzione di nuove tecnologie, come l'elettromiografia digitale, l'elettrognatografia e il tracciamento dei punti di riferimento facciali tramite deep learning, sono emersi metodi più avanzati e standardizzati per la diagnosi dei TMD. Questi metodi offrono una maggiore precisione nella valutazione delle disfunzioni mandibolari e muscolari, rendendo la TENS meno rilevante rispetto a tecniche più moderne e validate . | |||
5. Studi Contraddittori: | |||
Alcuni ndotti da Esclassan et al. (2017) e Zhang et al. (2020), riportano risultati contrastanti sull'efficacia della TENS, evidenziando che non sempre si ottiene una riduzione del dolore o un miglioramento funzionale significativo. Queste incongruenze nei risultati potrebbero aver contribuito alla decisione del RDC di escludere la TENS come procedura diagnostica per i TMD, poiché non è possibile garantire una riproducibilità dei risultati su un ampio campione di pazienti . | |||
In sintesi, la TENS, pur avendo un ruolo nella gestione delazienti, non ha dimostrato la costanza e l'affidabilità richieste dai criteri diagnostici scientifici moderni, portando alla sua esclusione dal RDC per la diagnosi dei TMD. | |||
{{Bib}} | {{Bib}} | ||