Intraocclusal free way space
Freeway Space Before Stimulation[1]
Lo spazio interocclusale, noto anche come "freeway space", è la distanza tra le arcate dentarie opposte quando la mandibola è in posizione di riposo fisiologico[2]. Serve come parametro chiave nella protesi dentale, influenzando l'occlusione e la dimensione verticale[3]. Il mantenimento di un adeguato spazio interocclusale è cruciale per la stabilità e la funzionalità protesica, oltre a prevenire disturbi temporomandibolari (TMD) e affaticamento muscolare[4].
Un equilibrio ottimale dello spazio interocclusale dipende dal tono muscolare, dalla salute dell'articolazione temporomandibolare (TMJ) e dall'occlusione dentale[5]. Variazioni significative nello spazio possono indicare abitudini parafunzionali, come il bruxismo[6].
Recenti tecnologie, come il deep learning, mostrano un grande potenziale nel ridurre la soggettività nelle misurazioni dello spazio interocclusale, automatizzando la previsione e standardizzando l'approccio clinico[7][8].
== Razionale dello studio == L'applicazione quantitativa della modellazione predittiva per lo spazio interocclusale non è stata ancora esplorata a fondo nella letteratura odontoiatrica[9][10]. Questo studio mira a colmare questa lacuna, utilizzando variabili cliniche e predittive per stimare lo spazio interocclusale tramite deep learning[11].
== Obiettivo della ricerca == L'obiettivo è sviluppare un modello che possa prevedere accuratamente lo spazio interocclusale esaminando fattori come storia clinica, attività muscolare (EMG), occlusione dentale e movimenti mandibolari.
== Materiali e metodi == Lo studio è stato approvato dal Comitato Etico dell'Università di Adelaide (HREC H-2022-185) e ha seguito il protocollo MI-CLAIM[12].
== Reclutamento dei partecipanti == Sono stati reclutati 70 partecipanti, di cui 66 hanno completato lo studio. Le misurazioni dello spazio interocclusale sono state raccolte tramite elettrognatografia e analisi del movimento facciale[13].
== Elettromiografia superficiale == I partecipanti sono stati collegati a un'unità di elettromiografia (EMG) per misurare l'attività muscolare durante le varie fasi del movimento mandibolare[14].
== Scansioni intraorali 3D == Infine, sono state eseguite scansioni intraorali per ottenere impronte digitali precise delle arcate dentali[15].
== Discussione == I modelli predittivi hanno identificato l'importanza della fonetica e dell'attività muscolare nella previsione dello spazio interocclusale, superando l'accuratezza delle misurazioni tradizionali[16].
- ↑ 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.
- ↑ Pleasure, M. A. Correct vertical dimension and freeway space. J Am Dental Assoc 43, 160–163 (1951)
- ↑ Pleasure, M. A. Correct vertical dimension and freeway space. J Am Dental Assoc 43, 160–163 (1951)
- ↑ Farook, T. H., Rashid, F., Alam, M. K. & Dudley, J. Variables influencing the device-dependent approaches in digitally analysing jaw movement—a systematic review. Clin. Oral. Investig. 27(2), 489–504 (2022)
- ↑ 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)
- ↑ Farook, T. H., Rashid, F., Alam, M. K. & Dudley, J. Variables influencing the device-dependent approaches in digitally analysing jaw movement—a systematic review. Clin. Oral. Investig. 27(2), 489–504 (2022)
- ↑ 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)
- ↑ 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)
- ↑ 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)
- ↑ 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)
- ↑ 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)
- ↑ Makowski, D. et al. NeuroKit2: A Python toolbox for neurophysiological signal processing. Behav. Res. Methods 53, 1689–1696 (2021)
- ↑ Farook, T. H., Rashid, F., Alam, M. K. & Dudley, J. Variables influencing the device-dependent approaches in digitally analysing jaw movement—a systematic review. Clin. Oral. Investig. 27(2), 489–504 (2022)
- ↑ 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)
- ↑ Richert, R. et al. Intraoral scanner technologies: a review to make a successful impression. J. Healthc. Eng. 2017, 1–9 (2017)
- ↑ Gurel, H. G., Memili, B., Erkan, M. & Sukurica, Y. Long-term effects of rapid maxillary expansion followed by fixed appliances. Angle Orthod. 80, 5–9 (2010)