Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Steps in Outbreak Investigation01:18

Steps in Outbreak Investigation

199
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
199

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Integrated epidemiologic investigation and genomic confirmation of a Klebsiella pneumoniae neonatal sepsis outbreak in Botswana.

PLOS global public health·2026
Same author

Estrogen Deprivation and Periodontitis Interact Across Multiple Tissues.

bioRxiv : the preprint server for biology·2026
Same author

Porphyromonas gingivalis lipopolysaccharide promotes peri-implant inflammation through neutrophil activation.

Journal of prosthodontic research·2026
Same author

Optimizing methods for virome analysis based on studies of a synthetic viral community.

mSystems·2026
Same author

Periodontal status and microbial profiles across the clinical spectrum of liver cirrhosis.

Journal of oral microbiology·2026
Same author

Resolvin D1 in the Lipopolysaccharide-Induced Inflammatory Microenvironment Mediates Resolution in Human Monocytic THP-1 Cells.

Biomedicines·2026
Same journal

Extracellular Vesicles From Young Brain-Mediated Delivery of PRDX3 Ameliorates Alveolar Bone Loss in Periodontitis.

Journal of clinical periodontology·2026
Same journal

Cost Consequence Analysis of Non-Surgical Treatment Approaches for Patients With Periodontitis.

Journal of clinical periodontology·2026
Same journal

Management of Non-Plaque-Induced Gingival Conditions: A Systematic Review-Part 2: Inflammatory and Immune Conditions; Neoplasms; and Gingival Pigmentation.

Journal of clinical periodontology·2026
Same journal

Ten-Year Results of a Prospective Case Series on Immediately Provisionalized One-Piece Alumina-Toughened Zirconia (ATZ) Oral Implants for Single-Tooth Restoration and Three-Unit Fixed Dental Prostheses.

Journal of clinical periodontology·2026
Same journal

METTL14-Mediated m6A Modification of NEAT1_2 Releases YBX1 From Paraspeckles to Exacerbate Periodontitis.

Journal of clinical periodontology·2026
Same journal

A Pilot Comparative Study of Multi-Contrast Dental MRI and CBCT: Clinical Correlates of Disease Status and Inflammatory Burden in Periodontitis.

Journal of clinical periodontology·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Sep 10, 2025

Murine Model of Advanced Periodontitis Induced by Nylon Ligature in the Second Upper Molar
07:14

Murine Model of Advanced Periodontitis Induced by Nylon Ligature in the Second Upper Molar

Published on: May 30, 2025

316

Desarrollo de modelos predictivos para la progresión de la periodontitis utilizando inteligencia artificial: un

Camila Pinheiro Furquim1,2, Lannawill Caruth3,4, Ganesh Chandrasekaran5

  • 1Department of Basic & Translational Sciences, School of Dental Medicine, University of Pennsylvania, Philadelphia, Pennsylvania, USA.

Journal of clinical periodontology
|August 20, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Los modelos de aprendizaje automático predicen con precisión la progresión de la periodontitis utilizando datos clínicos y biomarcadores salivales como IL-1β, lo que ayuda a la detección temprana. El modelo gráfico probabilístico mostró el mejor rendimiento.

Palabras clave:
Inteligencia artificialprogresión de la enfermedadAprendizaje automáticoEnfermedad periodontal

Más Videos Relacionados

Author Spotlight: Advancing CBCT and Digital Dental Image Integration with AI-Assisted Digitization
05:49

Author Spotlight: Advancing CBCT and Digital Dental Image Integration with AI-Assisted Digitization

Published on: February 23, 2024

988
Induction of Periodontitis via a Combination of Ligature and Lipopolysaccharide Injection in a Rat Model
06:14

Induction of Periodontitis via a Combination of Ligature and Lipopolysaccharide Injection in a Rat Model

Published on: February 17, 2023

4.3K

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Murine Model of Advanced Periodontitis Induced by Nylon Ligature in the Second Upper Molar
07:14

Murine Model of Advanced Periodontitis Induced by Nylon Ligature in the Second Upper Molar

Published on: May 30, 2025

316
Author Spotlight: Advancing CBCT and Digital Dental Image Integration with AI-Assisted Digitization
05:49

Author Spotlight: Advancing CBCT and Digital Dental Image Integration with AI-Assisted Digitization

Published on: February 23, 2024

988
Induction of Periodontitis via a Combination of Ligature and Lipopolysaccharide Injection in a Rat Model
06:14

Induction of Periodontitis via a Combination of Ligature and Lipopolysaccharide Injection in a Rat Model

Published on: February 17, 2023

4.3K

Área de la Ciencia:

  • Periodontología
  • Los biomarcadores
  • Aprendizaje automático

Sus antecedentes:

  • La periodontitis es una enfermedad inflamatoria común que afecta a las encías y el hueso de soporte.
  • La detección temprana y la predicción de la progresión de la periodontitis son cruciales para un tratamiento eficaz.
  • El aprendizaje automático ofrece potencial para el desarrollo de modelos predictivos avanzados.

Objetivo del estudio:

  • Desarrollar y evaluar modelos de aprendizaje automático para predecir la progresión de la periodontitis.
  • Para comparar el rendimiento de diferentes algoritmos de aprendizaje automático (LR, MLP, PGM).
  • Identificar los principales factores clínicos y salivales que influyen en la progresión de la periodontitis.

Principales métodos:

  • Se utilizaron datos de un estudio longitudinal multicéntrico de 12 meses de participantes periodoncialmente sanos y con periodontitis.
  • Recopilación de datos clínicos, demográficos y de analitos salivales (10 analitos).
  • Regresión logística aplicada (LR), percepción multicapa (MLP) y modelos gráficos probabilísticos (PGM); el rendimiento evaluado utilizando los valores AUROC y SHAP.

Principales resultados:

  • El modelo PGM, que incorpora las medidas clínicas, la IL-1β salival, la edad y el sexo, logró el rendimiento más alto (AUROC = 0,88).
  • PGM demostró una sensibilidad equilibrada (0,55) y una especificidad (0,81), superando a LR (AUROC = 0,72) y MLP (AUROC = 0,58).
  • El análisis de la importancia de las características identificó el número de bolsas periodontales profundas como un predictor significativo en los modelos de PGM y MLP.

Conclusiones:

  • Los modelos de aprendizaje automático predicen efectivamente la progresión de la periodontitis, apoyando las estrategias de detección temprana.
  • La integración de los datos clínicos con biomarcadores salivales, como la IL-1β, mejora la precisión predictiva.
  • El enfoque PGM es prometedor para su aplicación clínica en el tratamiento de la periodontitis.