Go to top

Introduzione

L'articolazione temporo-mandibolare (TMJ) è un'articolazione a cerniera con proprietà biartrodiali, che consente i movimenti complessi richiesti per la masticazione[1]. Il disturbo temporo-mandibolare (TMD) si verifica quando la TMJ e le strutture anatomiche associate sono colpite[2][3]. Circa il 25% degli individui a livello globale mostra segni o sintomi di TMD[4]. Inoltre, i TMD si verificano 1,5-2,5 volte più frequentemente nelle donne rispetto agli uomini[5]. Si tratta di un disturbo prevalente, caratterizzato da dolore, disfunzione e disagio nella TMJ e nelle strutture circostanti, che influisce su una parte significativa della popolazione, limitando le attività quotidiane, riducendo la qualità della vita e aumentando i costi sanitari[6][7].

Diversi approcci terapeutici sono in fase di studio per la gestione dei TMD, con l'obiettivo di alleviare il dolore e migliorare la funzionalità della mandibola[8]. Sebbene siano disponibili metodi chirurgici e non chirurgici per trattare i TMD, il trattamento conservativo è l'opzione iniziale e primaria[9]. Le terapie farmacologiche comprendono l'uso di farmaci antinfiammatori non steroidei (FANS), antidepressivi e miorilassanti. Un'altra componente del trattamento consiste in tecniche di terapia occlusale e fisica, come la laserterapia a basso livello (LLLT), la stimolazione elettrica transcutanea del nervo (TENS) e l'ultrasuono[10].

La **TENS** ha acquisito riconoscimento come tecnica non invasiva e priva di farmaci per la gestione del dolore nei TMD. Consiste nell'applicazione di correnti elettriche a bassa frequenza sulla pelle tramite elettrodi di superficie[11][12]. Queste correnti stimolano i nervi sensoriali e modulano i segnali del dolore trasmessi al sistema nervoso centrale (CNS), alterando la percezione del dolore. La TENS è utilizzata nei pazienti con TMD per mirare ai muscoli e ai nervi circostanti la TMJ, promuovendo il rilassamento muscolare, riducendo gli spasmi muscolari e alleviando il disagio[13].

Comprendere l'efficacia comparativa della TENS e degli analgesici nel trattamento dei TMD è cruciale per i professionisti sanitari[14]. Identificando i vantaggi e gli svantaggi di entrambi gli approcci, i clinici possono selezionare l'opzione di trattamento più appropriata per ciascun paziente[15]. Inoltre, i pazienti con TMD possono trarre beneficio da una comprensione approfondita dei potenziali benefici e svantaggi della TENS e degli analgesici, permettendo loro di partecipare attivamente alle decisioni terapeutiche[16].

Confrontando la TENS con altre modalità di trattamento, studi hanno valutato la sua efficacia, sicurezza e praticabilità nel ridurre il dolore e migliorare la funzione della mandibola nei pazienti con TMD[17]. Nonostante il crescente riconoscimento della TENS come approccio non invasivo per la gestione dei TMD, manca un'analisi comparativa completa della sua efficacia rispetto agli analgesici comunemente usati nel trattamento dei TMD[18].

Il presente studio è stato progettato per colmare questa lacuna nella letteratura, valutando l'efficacia della TENS e degli analgesici in termini di riduzione del dolore e miglioramento funzionale, valutando la soddisfazione dei pazienti con entrambe le modalità e esaminando i potenziali effetti collaterali associati all'uso della TENS e degli analgesici.



In questo capitolo prendiamo in considerazione un altro argomento molto dibattuto su cui ancora non c'è una opinione univoca nella Comunità Scientifica Internazionale. Questa premessa viene confermata dal fatto che nonostante lo Research Diagnostic Criteria (RDC) abbia categoricamente invalidato la procedura clinica nella diagnostica dei pazienti affetti da Disordini Temporomandibolari, ancora viene considerata valida. Questo controsenso può essere verificato dalla esistenza in letteratura di conclusioni che generano contestualmente domande. Ne riportiamo qualcuna in ordine temporale:

2017- Rémi Esclassan[19]

L'obiettivo principale di questo lavoro era determinare la durata dell'applicazione della stimolazione elettrica transcutanea a frequenza ultra-bassa (ULF-TENS) necessaria per ottenere un sufficiente rilassamento dei muscoli masticatori. Nel complesso, i risultati suggeriscono che un'applicazione ideale di ULF-TENS dovrebbe durare 40 minuti per ottenere un rilassamento muscolare sufficiente sia nei pazienti con disturbi del sistema masticatorio sia nei soggetti sani, una durata che risulta coerente con la pratica clinica quotidiana.

2018- Rafaella Mariana Fontes de Bragança[20]

Valutare l'influenza della ULF-TENS sullo spostamento del condilo mandibolare e sulla ripetibilità della registrazione della relazione centrica (CR) La ULF-TENS non ha influenzato lo spostamento totale del condilo, indipendentemente dalla tecnica di registrazione della CR utilizzata (p > 0,05). La tecnica BM ha mostrato un miglioramento nella ripetibilità dopo l'uso della ULF-TENS.

2020- Yuanxiu Zhang[21]:

La stimolazione elettrica transcutanea del nervo (TENS) può servire come intervento non invasivo per i disturbi temporomandibolari (TMD) dolorosi al fine di migliorare la funzione motoria della mandibola, ma la sua efficacia è ancora oggetto di dibattito.

Questo studio parallelo ha valutato l'effetto della TENS sul dolore e sui modelli di movimento dopo movimenti ripetuti della mandibola in pazienti con articolazioni temporomandibolari (TMJ) dolorose e spostamento del disco senza riduzione (DDwoR), e li ha confrontati con volontari sani. Questo studio ha indicato che il dolore evocato dai movimenti è stato ridotto spontaneamente o dal sTENS nei pazienti con dolore alla TMJ con DDwoR e, in modo interessante, che la TENS potrebbe attenuare il dolore evocato dai movimenti e migliorare la funzione motoria della mandibola durante i movimenti ripetuti. I risultati potrebbero avere implicazioni per il trattamento con TENS nei pazienti con dolore alla TMJ con DDwoR.

Syeda Mahnoor Fatima[22]

Nel presente studio, i partecipanti hanno riportato più frequentemente dolore alla mascella, dolore facciale, click mandibolari, movimenti limitati della mascella e emicranie. Questo risultato ha fornito un'importante comprensione delle manifestazioni cliniche del TMD[23].

Il gruppo trattato con TENS ha mostrato una significativa riduzione dell'intensità del dolore, suggerendo che la TENS è un metodo efficace per alleviare il dolore correlato al TMD, mentre gli interventi analgesici non hanno mostrato miglioramenti significativi. Rispetto ad altre categorie, l'incidenza degli effetti collaterali con TENS è stata relativamente bassa. Questi risultati sottolineano l'importanza di considerare i potenziali effetti collaterali quando si valutano i benefici e i rischi delle varie opzioni terapeutiche[24].

I risultati attuali sono coerenti con uno studio secondo cui il 5-60% della popolazione generale soffre di almeno uno dei segni del TMD. Inoltre, il 48% dei pazienti con TMD ha mostrato sintomi clinici, tra cui tenerezza muscolare e difficoltà ad aprire la bocca[25]. Uno dei sottogruppi trattati con stimolazione nervosa elettrica a microcorrente (MENS) ha dimostrato un significativo miglioramento nei punteggi VAS. I sottogruppi trattati con TENS e MENS hanno mostrato miglioramenti comparabili nei punteggi VAS[26].

Uno studio ha supportato fortemente i risultati attuali, suggerendo che la terapia TENS può fornire un rapido sollievo dal dolore nei muscoli masticatori e migliorare la funzione masticatoria nei pazienti con TMD. Lo studio ha esaminato gli effetti immediati della TENS sul dolore muscolare causato dal TMD in 36 partecipanti con TMD. Prima e dopo il trattamento con TENS, sono state ottenute misurazioni oggettive dell'apertura massima della bocca e della forza massima del morso. L'intensità del dolore è stata misurata utilizzando la scala VAS. I muscoli colpiti sono stati trattati con TENS per 20 minuti a frequenze comprese tra 100Hz e 200Hz. Utilizzando gli strumenti Global Rating of Change (GRC), gli effetti del trattamento sono stati valutati. Nel gruppo TMD, l'intensità del dolore è diminuita significativamente dopo il trattamento con TENS[27].

Il presente studio ha alcune limitazioni, come un follow-up relativamente breve post-intervento. Un follow-up più lungo avrebbe potuto fornire approfondimenti sull'efficacia sostenuta e sui potenziali risultati a lungo termine delle terapie. Studi futuri con periodi di follow-up estesi potrebbero ulteriormente chiarire l'efficacia e la durabilità di TENS e analgesici nella gestione dei sintomi del TMD[28][29].

Ma veniamo allo specifico considerando gli argomenti presi in considerazione dallo RDC per invalidare la procedura clinica:



Table 1: DTM diagnostic methodologies analyzed and eliminated from the DRC because they are not scientifically validated
Diagnostic Tests Cutoff Sensitivity Specificity VPP
Electrical stimulation methods
Free rest space before stimulation( Cooper e Rabuzzi 1984)[30] 0.75-2.0 mm 0.42 0.62 0.17
Free space to rest after electric-stimulation ( Cooper e Rabuzzi 1984;[30]) 0.75-2.0 mm 0.76 0.19 0.11
Closure trajectory before after electrical stimulation( Cooper e Rabuzzi 1984)[30] Non definita 0.75 0.27 0.12
Cutoff: Parameters and limits of significance that should divide sick from healthy, for each test reportedSensitivity: Ability of the specified test to identify the truly sick in a sample of healthy and sick subjects

Specificity: Ability of the specified test to identify the healthy  in a sample of healthy and sick subjects

Positive Predictive Value (PPV): Ratio of the ability of the specified test to identify truly sick (positive) patients on the total sick population in a sample of healthy and sick subjects.

Free rest space before stimulation( Cooper e Rabuzzi 1984)[30]

La diagnosi di disfunzione miofasciale (MPD), comunemente chiamata sindrome dell'articolazione temporo-mandibolare, è stata tradizionalmente basata sulla presenza di un insieme di sintomi clinici che provocano dolore e limitazione del movimento. La causa di questa comune malattia è stata oggetto di controversia per oltre mezzo secolo. Non c'è stato accordo su diagnosi, causa e trattamento. La tecnologia bioelettronica avanzata rende ora possibile una diagnosi accurata, basata non solo sui sintomi clinici, ma su dati scientifici riproducibili. Una causa della MPD è discernibile e un trattamento affidabile è possibile, così come una risoluzione duratura monitorabile oggettivamente tramite il Kinesiografo Mandibolare (MKG 5-R) e il Processore Bioelettrico (EMIR).

Uno studio sui movimenti mandibolari e sulla funzione dei muscoli masticatori di 26 soggetti "normali" (ossia, clinicamente asintomatici) ha rivelato che la stragrande maggioranza presentava in realtà disfunzioni dei muscoli che muovono e posizionano la mandibola. Il significato di questo studio è duplice. Innanzitutto, dimostra una valida procedura di test per misurare il movimento mandibolare e la funzione muscolare. In secondo luogo, stabilisce che la maggior parte delle persone ha una predisposizione fisica alla MPD. Cambiamenti nella capacità adattativa della neuromuscolatura dovuti a traumi fisici o emotivi potrebbero quindi precipitare la MPD.

  • Presenza della malattia generalizzata quasi in tutta la popolazione che fa nascere il dubbio Amletico: sono tutti malati oppure siamo noi che trattiamo in modo anomalo il sistem amasticatorio.
  • La incoerenza dei dati se dal 1984 Cooper asserisce un miglioramento della sintomatologia e delle funzioni masticatorie come il free rest space ecc. e lo RDC nel 1990?? lo invalida perchè allora recenti articoli rivalorizzano la procedura clinica
  • La risposta forse è più semplice di quanto sembra.
  • EMG artefatto

Free way space before stimulation[31]

Lo spazio interocclusale, noto anche come "freeway space" dentale, è la distanza tra le arcate dentarie opposte quando la mandibola è in posizione di riposo fisiologico[32]. Esso funge da riferimento per le restaurazioni protesiche e influenza le relazioni occlusali e la dimensione verticale nell'odontoiatria restaurativa[33]. Mantenere uno spazio interocclusale adeguato assicura stabilità, comfort e funzionalità dei dispositivi protesici per il paziente, prevenendo disordini temporomandibolari (TMD) e affaticamento muscolare. Quando vengono escluse le variazioni anatomiche, cambiamenti anomali nello spazio interocclusale possono talvolta indicare abitudini parafunzionali attive, come il bruxismo[34].

L'equilibrio dello spazio interocclusale è strettamente legato a fattori come il tono muscolare, la salute dell'articolazione temporomandibolare (TMJ) e l'occlusione dentale[35]. Squilibri o tensioni in questi componenti possono influenzare la posizione di riposo della mandibola, influendo contemporaneamente sulla salute del complesso TMJ. Problemi come malocclusione, disallineamento, perdita dentale, restaurazioni protesiche, abitudini parafunzionali, affaticamento muscolare e invecchiamento contribuiscono a cambiamenti nello spazio interocclusale. Stimare lo spazio interocclusale in odontoiatria clinica è una sfida a causa della sua natura dinamica, influenzata da vari fattori. Ottenere misurazioni precise è complicato dalle variazioni individuali, dalla perdita dentale, dalle restaurazioni protesiche e dalle abitudini parafunzionali, e la mancanza di tecniche di misurazione standardizzate introduce soggettività e variabilità tra operatori[36].

Affrontare queste sfide richiede una comprensione approfondita delle influenze multifattoriali sullo spazio interocclusale. Il deep learning, un sottogruppo del machine learning, è una forma di intelligenza artificiale basata sulla modellazione predittiva e si presenta come un approccio promettente per riconoscere schemi e variazioni nello spazio interocclusale influenzate dal tono muscolare, dalla salute del TMJ e dall'occlusione dentale. Ad esempio, le reti neurali convoluzionali (CNN) possono apprendere relazioni complesse e potenzialmente standardizzare il processo di stima, riducendo la soggettività e la variabilità tra operatori, mentre modelli basati su regressione, come XGBoost, possono prevedere variabili continue e adattarsi alle significative variazioni individuali, tenendo conto di fattori come discrepanze occlusali e l'ampiezza di movimento mandibolare per fornire una stima solida dello spazio interocclusale[37][38].

Razionale dello studio

Nonostante i potenziali vantaggi, l'applicazione di approcci quantitativi per prevedere variabili continue, come lo spazio interocclusale, attraverso una moltitudine di variabili predittive, non è stata documentata nella letteratura dentale peer-reviewed. Sebbene i modelli di deep learning siano sempre più utilizzati in odontoiatria, la loro percezione di essere una "scatola nera" ha spinto i ricercatori a esplorare metodi per estrarre spiegazioni da questi modelli[39][40]. Lo studio attuale cerca di colmare questa lacuna nella letteratura dentale, esplorando la previsione accurata dello spazio interocclusale utilizzando parametri diversi elaborati attraverso il deep learning. Inoltre, sono stati utilizzati modelli di spiegabilità per decifrare quali parametri vengono prioritizzati dai modelli di deep learning nelle decisioni predittive[41]. I parametri presi in considerazione comprendono la storia clinica, i fattori occlusali, la valutazione del movimento mandibolare, l'analisi del movimento dei tessuti molli, l'attività muscolare normalizzata derivata dall'elettromiografia elaborata tramite deep learning e l'analisi non invasiva della funzione dell'articolazione temporomandibolare (TMJ).

Obiettivo della ricerca

Il presente studio mirava a prevedere lo spazio interocclusale dentale esaminando la storia clinica, i parametri occlusali, i movimenti mandibolari, il movimento dei tessuti molli, l'attività muscolare tramite elettromiografia (EMG) e la scansione intraorale 3D. Si ipotizzava che la previsione accurata dello spazio interocclusale non potesse basarsi esclusivamente sulla storia clinica e sui parametri investigativi non invasivi.

Materiali e metodi

Il Comitato Etico per la Ricerca Umana dell'Università di Adelaide (H-2022-185) ha approvato questo studio, che ha inoltre seguito il protocollo della checklist 2021 "Minimum Information for Clinical Artificial Intelligence Modelling" (MI-CLAIM)[42].

Criteri di eleggibilità

I criteri di eleggibilità richiedevano che i partecipanti avessero la maggior parte dei loro denti permanenti naturali, con non più di un dente mancante per quadrante. Se mancava un primo molare, tutti gli altri denti dell'arcata dovevano essere presenti. Gli individui venivano esclusi se presentavano arcate edentule di lunga estensione, arcate dentarie accorciate, molari decidui ritenuti, o due o più protesi parziali fisse o corone dentali. Per promuovere la randomizzazione e prevenire l'esclusione accidentale di individui che mostravano segni clinici di disfunzione dell'articolazione temporomandibolare ma non riferivano la condizione, i sintomi percepiti o le condizioni mediche esistenti non sono stati utilizzati come criteri di esclusione.

Reclutamento dei partecipanti

Tutti gli esperimenti sono stati eseguiti in conformità con le linee guida e le normative pertinenti. A metà del 2023, sono stati reclutati 70 partecipanti dall'Australia Meridionale, con 66 che hanno completato l'intero processo dopo aver ottenuto il consenso informato da tutti i soggetti/partecipanti. I segnali EMG di quattro individui erano affetti da forte rumore generato da conduzioni micro-elettriche causate dalla peluria facciale. La rimozione manuale del rumore avrebbe alterato sostanzialmente il segnale originale, quindi questi quattro partecipanti sono stati esclusi. La Figura 1 illustra i passaggi della raccolta dei dati clinici per lo studio, spiegati nelle sottosezioni successive. Prima della ricerca attuale, sono state condotte revisioni sistematiche sulle fonti più comuni di bias derivanti da fattori umani e dipendenti dal dispositivo nel tracciamento della mandibola e nelle decisioni basate sull'intelligenza artificiale riguardanti il complesso dell'articolazione temporomandibolare[43][44].

Raccolta della storia clinica

I partecipanti hanno inizialmente completato un questionario semi-strutturato riguardante la demografia, le abitudini parafunzionali auto-riferite e i sintomi di disfunzione temporomandibolare. Successivamente, hanno riportato la loro storia di trattamenti ortodontici e le condizioni mediche diagnosticate dai medici generici.

Tracciamento dei punti di riferimento facciali

I partecipanti sono stati seduti a 45 cm da una fotocamera consumer (Logitech Brio 4K) e istruiti a eseguire l'apertura massima della bocca senza assistenza, l'escursione laterale massima e la protrusione anteriore massima[45]. Ogni partecipante ha eseguito una singola sessione di registrazione video utilizzando la fotocamera Brio-4K con risoluzione 1080p a 60 fps, con una lente da 13 megapixel. I video sono stati prodotti con un bitrate nativo di 2500 Kbps, codificati utilizzando H.264 NVENC ed esportati in formato Matroska Video (.mkv).

Le registrazioni video sono state elaborate utilizzando un sistema di tracciamento dei punti di riferimento facciali basato su deep learning per valutare i modelli abituali di inclinazione della testa e gli spostamenti dei tessuti molli durante le escursioni laterali e il parlato, basato su implementazioni di ricerche precedenti[46]. Ciò è stato realizzato con un software open-source sviluppato internamente dagli autori, ovvero Dental Loop FLT12 v5.2 (<https://github.com/ElsevierSofwareX/SOFTX-D-23-00353>) e Dental Loop SnP v1.0 (<https://github.com/saadism777/Dental-Loop-SnP-Speech-and-Phonetic-Pattern-Recognition>)[47]. Il software ha eseguito il rilevamento e il tracciamento dei punti di riferimento facciali sia per i dati retrospettivi che per il tracciamento in tempo reale, utilizzando i pacchetti OpenCV e Dlib codificati secondo gli standard PEP-8[48][49]. Ha introdotto punti di riferimento cefalometrici per i tessuti molli personalizzati per misurazioni continue e ha visualizzato le statistiche video in una finestra OpenCV ridimensionabile. I risultati sono stati memorizzati e automaticamente tabulati, evitando così gli errori comunemente associati al tracciamento e alla segmentazione delle immagini basati sull'operatore.

Elettrognatografia digitale

I partecipanti sono stati quindi istruiti a ripetere le stesse attività connessi a un elettrognatografo (EGN) (JT-3D; BioResearch Associates Inc.). Ogni attività è stata ripetuta tre volte, e i valori medi degli spostamenti su piani verticali, laterali e sagittali sono stati quantificati in millimetri utilizzando la suite software fornita dal produttore (BioPak v8.9; BioResearch Associates Inc.). Lo spazio interocclusale è stato misurato istruendo i partecipanti ad assumere una posizione verticale di riposo e calibrando l'elettrognatografo per leggere questa posizione come spostamento 0. I partecipanti sono stati quindi invitati a portare le loro mandibole alla dimensione verticale occlusale e a far toccare i denti insieme due volte. I valori di spostamento verticale sono stati registrati per entrambi i tocchi. Questa procedura è stata eseguita secondo le raccomandazioni del produttore. Il processo è stato ripetuto tre volte per ciascun partecipante, e lo spostamento medio è stato registrato in millimetri.

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[50].

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[51]. 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[52]. 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>)[53].

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[54]. 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[55]. 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[56]. 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[57]. È stato inoltre rilevato che i dispositivi mobili erano in grado di catturare dati comparabili alle workstation standard[58], 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[59].

Per modellare i dati, sono stati considerati sei diversi approcci: regressione lineare, CatBoost, XGBoost, Random Forest, reti neurali multilayer perceptron (MPNN) e TabNet[60][61]. 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[62][63].

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[64]. 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[65], 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[66]. 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[67].

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[68].

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[69][70].

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[71]. 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[72]. 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[73]. Alcune di queste abitudini parafunzionali sono più comuni nei pazienti giovani e spesso richiedono un intervento ortodontico[74]. 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[75]. 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[76]. 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[77].

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[78]. 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[79].

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.




Bibliography & references
  1. Okoje VN, Aladelusi TO, Abimbola TA. Managing temporomandibular joint dislocation in ibadan: a review of 11 cases. Ann Ib Postgrad Med 2017;15:96-10
  2. Maini K, Dua A. Temporomandibular Syndrome. Treasure Island, FL: StatPearls Publishing; 2024
  3. Murphy MK, MacBarb RF, Wong ME, Athanasiou KA. Temporomandibular disorders: a review of etiology, clinical management, and tissue engineering strategies. Int J Oral Maxillofac Implants 2013;28:e393-414. doi: 10.11607/jomi.te20
  4. Warren MP, Fried JL. Temporomandibular disorders and hormones in women. Cells Tissues Organs 2001;169:187-92. doi: 10.1159/000047881
  5. Warren MP, Fried JL. Temporomandibular disorders and hormones in women. Cells Tissues Organs 2001;169:187-92. doi: 10.1159/000047881
  6. Kapos FP, Exposto FG, Oyarzo JF, Durham J. Temporomandibular disorders: a review of current concepts in aetiology, diagnosis and management. Oral Surg 2020;13:321-34. doi: 10.1111/ors.12473
  7. Alrizqi AH, Aleissa BM. Prevalence of Temporomandibular Disorders Between 2015-2021: A Literature Review. Cureus 2023;15:e37028. doi: 10.7759/cureus.37028
  8. Gil-Martínez A, Paris-Alemany A, López-de-Uralde-Villanueva I, La Touche R. Management of pain in patients with temporomandibular disorder (TMD): challenges and solutions. J Pain Res 2018;11:571-87. doi: 10.2147/JPR.S127950
  9. Abouelhuda AM, Khalifa AK, Kim YK, Hegazy SA. Non-invasive different modalities of treatment for temporomandibular disorders: review of literature. J Korean Assoc Oral Maxillofac Surg 2018;44:43-51. doi: 10.5125/jkaoms.2018.44.2.43
  10. Rezazadeh F, Hajian K, Shahidi S, Piroozi S. Comparison of the Effects of Transcutaneous Electrical Nerve Stimulation and Low-Level Laser Therapy on Drug-Resistant Temporomandibular Disorders. J Dent (Shiraz) 2017;18:187-92
  11. Shanavas M, Chatra L, Shenai P, Rao PK, Jagathish V, Kumar SP, et al. Transcutaneous electrical nerve stimulation therapy: An adjuvant pain controlling modality in TMD patients - A clinical study. Dent Res J (Isfahan) 2014;11:676-9
  12. Martimbianco ALC, Porfírio GJ, Pacheco RL, Torloni MR, Riera R. Transcutaneous electrical nerve stimulation (TENS) for chronic neck pain. Cochrane Database Syst Rev 2019;12:CD011927. doi: 10.1002/14651858.CD011927.pub2
  13. Hsieh YL, Yang CC, Yang NP. Ultra-Low Frequency Transcutaneous Electrical Nerve Stimulation on Pain Modulation in a Rat Model with Myogenous Temporomandibular Dysfunction. Int J Mol Sci 2021;22:9906. doi: 10.3390/ijms22189906
  14. Gil-Martínez A, Paris-Alemany A, López-de-Uralde-Villanueva I, La Touche R. Management of pain in patients with temporomandibular disorder (TMD): challenges and solutions. J Pain Res 2018;11:571-87. doi: 10.2147/JPR.S127950
  15. Beutler LE, Someah K, Kimpara S, Miller K. Selecting the most appropriate treatment for each patient. Int J Clin Health Psychol 2016;16:99-10. doi: 10.1016/j.ijchp.2015.08.001
  16. Garrigós-Pedrón M, Elizagaray-García I, Domínguez-Gordillo AA, DelCastillo-Pardo-de-Vera JL, Gil-Martínez A. Temporomandibular disorders: improving outcomes using a multidisciplinary approach. J Multidiscip Healthc 2019;12:733-47. doi: 10.2147/JMDH.S178507
  17. Chellappa D, Thirupathy M. Comparative efficacy of low-Level laser and TENS in the symptomatic relief of temporomandibular joint disorders: A randomized clinical trial. Indian J Dent Res 2020;31:42-7. doi: 10.4103/ijdr.IJDR_735_18
  18. Wu M, Cai J, Yu Y, Hu S, Wang Y, Wu M. Therapeutic Agents for the Treatment of Temporomandibular Joint Disorders: Progress and Perspective. Front Pharmacol 2021;11:596099. doi: 10.3389/fphar.2020.596099
  19. Rémi Esclassan 1, Anaïs Rumerio 2, Paul Monsarrat 1 2, Jean Claude Combadazou 1 2, Jean Champion 1 2, Florent Destruhaut 1 2, Christophe Ghrenassia 1 2. Optimal duration of ultra low frequency-transcutaneous electrical nerve stimulation (ULF-TENS) therapy for muscular relaxation in neuromuscular occlusion: A preliminary clinical study. Cranio. . 2017 May;35(3):175-179. doi: 10.1080/08869634.2016.1171479. Epub 2016 Apr 8.
  20. Rafaella Mariana Fontes de Bragança 1, Carolina Almeida Rodrigues 1, Melissa Oliveira Melchior 1, Laís Valencise Magri 1, Marcelo Oliveira Mazzetto 1. Ultra-low frequency transcutaneous electric nerve stimulation does not affect the centric relation registration. Cranio. . 2018 Jan;36(1):19-28. doi: 10.1080/08869634.2016.1278107. Epub 2017 Jan 27.
  21. Yuanxiu Zhang 1 2 3 4, Jinglu Zhang 1 3, Lin Wang 1 2 3, Kelun Wang 3 5, Peter Svensson 4 6 7. Effect of transcutaneous electrical nerve stimulation on jaw movement-evoked pain in patients with TMJ disc displacement without reduction and healthy controls. Acta Odontol Scand. . 2020 May;78(4):309-320. doi: 10.1080/00016357.2019.1707868. Epub 2019 Dec 26.
  22. Syeda Mahnoor Fatima, Tooba Zahoor, Ramsha Nawaz, Ahmed Tanveer, Syeda Soveba Zaidi. Role of transcutaneous electrical nerve stimulation in temporomandibular joint disorders. J Pak Med Assoc. . 2024 Sep;74(9):1645-1648. doi: 10.47391/JPMA.10874.
  23. Eweka OM, Ogundana OM, Agbelusi GA. Temporomandibular pain dysfunction syndrome in patients attending Lagos University Teaching Hospital, Lagos, Nigeria. J West Afr Coll Surg 2016;6:70-87
  24. Gil-Martínez A, Paris-Alemany A, López-de-Uralde-Villanueva I, La Touche R. Management of pain in patients with temporomandibular disorder (TMD): challenges and solutions. J Pain Res 2018;11:571-87. doi: 10.2147/JPR.S127950
  25. Ryan J, Akhter R, Hassan N, Hilton G, Wickham J, Ibarag S. Epidemiology of Temporomandibular Disorder in the General Population: a systematic review. Adv Dent & Oral Health 2019;10:555787. DOI: 10.19080/ADOH.2019.10.555787
  26. Saranya B, Ahmed J, Shenoy N, Ongole R, Sujir N, Natarajan S. Comparison of Transcutaneous Electric Nerve Stimulation (TENS) and Microcurrent Nerve Stimulation (MENS) in the Management of Masticatory Muscle Pain: A Comparative Study. Pain Res Manag 2019;2019:8291624. doi: 10.1155/2019/8291624
  27. Abe S, Miyagi A, Yoshinaga K, Matsuka Y, Matsumoto F, Uyama E, et al. Immediate Effect of Masticatory Muscle Activity with Transcutaneous Electrical Nerve Stimulation in Muscle Pain of Temporomandibular Disorders Patients. J Clin Med 2020;9:3330. doi: 10.3390/jcm9103330
  28. Jung KS, In TS, Cho HY. Effects of sit-to-stand training combined with transcutaneous electrical stimulation on spasticity, muscle strength and balance ability in patients with stroke: A randomized controlled study. Gait Posture 2017;54:183-7. doi: 10.1016/j.gaitpost.2017.03.007
  29. Konishi Y, McNair PJ, Rice DA. TENS Alleviates Muscle Weakness Attributable to Attenuation of Ia Afferents. Int J Sports Med 2017;38:253-7. doi: 10.1055/s-0042-118183
  30. 30.0 30.1 30.2 30.3 BC Cooper, D D Rabuzzi. Myofacial pain dysfunction syndrome: a clinical study of asymptomatic subjects. Laryngoscope. 1984 Jan;94(1):68-75. doi: 10.1002/lary.5540940116.
  31. 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
  32. Pleasure, M. A. Correct vertical dimension and freeway space. J Am Dental Assoc 43, 160–163 (1951)
  33. Pleasure, M. A. Correct vertical dimension and freeway space. J Am Dental Assoc 43, 160–163 (1951)
  34. 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)
  35. 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)
  36. 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)
  37. 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)
  38. 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)
  39. 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)
  40. 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)
  41. 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)
  42. Makowski, D. et al. NeuroKit2: A Python toolbox for neurophysiological signal processing. Behav. Res. Methods 53, 1689–1696 (2021)
  43. 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)
  44. Shwartz-Ziv, R. & Armon, A. Tabular data: Deep learning is not all you need. arXiv preprint arXiv:2106.03253 (2021)
  45. Farook, T. H., Saad, F. H., Ahmed, S. & Dudley, J. Dental Loop FLT: Facial landmark tracking. SofwareX 24, 101531 (2023)
  46. Saad, F. H. et al. Facial and mandibular landmark tracking with habitual head posture estimation using linear and fducial markers. Healthc. Technol. Lett. 11(1), 21–30 (2024)
  47. Farook, T. H., Saad, F. H., Ahmed, S. & Dudley, J. Dental loop SnP: Speech and phonetic pattern recognition. SofwareX 24, 101604 (2023)
  48. Farook, T. H., Saad, F. H., Ahmed, S. & Dudley, J. Dental Loop FLT: Facial landmark tracking. SofwareX 24, 101531 (2023)
  49. Farook, T. H., Saad, F. H., Ahmed, S. & Dudley, J. Dental loop SnP: Speech and phonetic pattern recognition. SofwareX 24, 101604 (2023)
  50. Chierici, G. & Lawson, L. Clinical speech considerations in prosthodontics: Perspectives of the prosthodontist and speech pathologist. J. Prosthet. Dent. 29, 29–39 (1973)
  51. 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)
  52. Farook, T. H., Haq, T. M. & Dudley, J. Dental loop signals: Image-to-signal processing for mandibular electromyography. Sofware Impacts 19, 100631 (2024)
  53. Farook, T. H., Haq, T. M. & Dudley, J. Dental loop signals: Image-to-signal processing for mandibular electromyography. Sofware Impacts 19, 100631 (2024)
  54. Makowski, D. et al. NeuroKit2: A Python toolbox for neurophysiological signal processing. Behav. Res. Methods 53, 1689–1696 (2021)
  55. 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)
  56. Richert, R. et al. Intraoral scanner technologies: a review to make a successful impression. J. Healthc. Eng. 2017, 1–9 (2017)
  57. 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)
  58. 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)
  59. 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)
  60. Hancock, J. T. & Khoshgofaar, T. M. CatBoost for big data: an interdisciplinary review. J. Big Data 7, 1–45 (2020)
  61. Arik, S. Ö. & Pfster, T. Tabnet: Attentive interpretable tabular learning. arXiv preprint arXiv:2004.13912 (2019)
  62. Shwartz-Ziv, R. & Armon, A. Tabular data: Deep learning is not all you need. arXiv preprint arXiv:2106.03253 (2021)
  63. Lundberg, S. M. & Lee, S.-I. A unifed approach to interpreting model predictions. Adv Neural Inf Process Syst 30, (2017)
  64. Lundberg, S. M. & Lee, S.-I. A unifed approach to interpreting model predictions. Adv Neural Inf Process Syst 30, (2017)
  65. 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)
  66. Johnson, A., Wildgoose, D. G. & Wood, D. J. Te determination of freeway space using two diferent methods. J. Oral Rehabil. 29, 1010–1013 (2002)
  67. 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)
  68. Makowski, D. et al. NeuroKit2: A Python toolbox for neurophysiological signal processing. Behav. Res. Methods 53, 1689–1696 (2021)
  69. 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)
  70. 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)
  71. 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)
  72. 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)
  73. 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)
  74. 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)
  75. 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)
  76. 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)
  77. 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)
  78. Zhang, Y. et al. Meta-transformer: A unifed framework for multimodal learning. arXiv preprint arXiv:2307.10802 (2023)
  79. 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)