인공지능(AI), 특히 딥러닝은 치과 보철 분야에서 점차적으로 적용되고 있으며, 치과 크라운(crown) 설계에 대한 새로운 접근법을 제공하고 있다. 본 범위 문헌고찰(scoping review)은 AI 보조 크라운 설계에 관한 현재의 근거를 요약하는 것을 목적으로 하였으며, 알고리즘 유형, 데이터셋 특성, 평가 방법에 초점을 맞추었다. 2025년 2월에 PubMed, Scopus, Web of Science, IEEE Xplore를 대상으로 포괄적인 검색을 수행하였고, 2010년 1월부터 2025년 2월까지 출판된 연구를 대상으로 포함하였다. 총 10편의 연구가 포함 기준을 충족하였으며, 그중 4편은 맞춤형 AI 모델을 개발하였는데 주로 생성적 적대 신경망(generative adversarial networks)에 기반하였다. 나머지 6편은 상용 소프트웨어를 평가하였다. 모든 연구는 스캔한 석고 모형(stone casts) 또는 구강 내 스캔(intraoral scans)으로부터 얻은 디지털 치과 모형을 사용하였고, 데이터셋 규모는 매우 다양하였다. 형태학적 정확도(morphological accuracy)가 가장 빈번하게 보고된 결과로, 6편의 연구에서 평가되었으며, 그다음으로 설계 시간과 교합 접촉(occlusal contact) 평가가 뒤를 이었다. 대부분의 AI 생성 크라운은 임상적으로 허용 가능한 정밀도를 보였으나, 물리적 크라운을 제작한 연구는 4편에 불과하였고, 어떠한 연구도 생체 내(in vivo) 검증을 수행하지 않았다. 이러한 결과는 AI 보조 크라운 설계가 해부학적 정확성과 작업 흐름 효율을 개선할 가능성을 시사하지만, 방법론적 이질성과 임상적 검증의 부재는 표준화된 평가 프로토콜과 추가적인 생체 내 연구의 필요성을 강조한다.

목적: 본 연구의 목적은 전치부 하악에 식립된 임플란트의 생존율을 분석하여, 하중(loading) 프로토콜, 대합치(opposing teeth) 유형, 보철물(prosthesis) 유형, 유지장치(retention) 유형 및 캔틸레버(cantilever)를 포함한 다양한 보철 복원 파라미터가 임플란트 생존에 미치는 영향을 평가하고, 전신 질환을 포함하여 임플란트 실패와 관련된 잠재적 위험 요인을 평가하는 데 있다. 대상 및 방법: 보철 복원 후 최소 1회 이상의 추적 관찰 방문이 있었던 326명의 환자의 전치부 하악에 604개의 임플란트가 포함되었다. 임플란트 실패는 임플란트가 구강 내에서 제거된 경우로 정의하였다. 생존율 분석을 위해 생존 기간은 식립일로부터 실패일 또는 마지막 검사일까지로 정의하였다. 생존 분석은 Kaplan-Meier 생존 곡선을 사용하여 수행하였다. 임플란트 생존에 영향을 미치는 요인을 확인하기 위해 Cox 회귀 분석을 수행하였다. 결과: 하악 전치부에 식립된 604개의 임플란트 중 14개가 실패하였으며, 누적 생존율은 97.68%였다. 생존 곡선은 하중 방법에 따라 달랐는데, 즉시 하중(immediate loading)은 조기 및 통상(conventional) 하중에 비해 유의하게 낮은 누적 생존율을 보였다. 생존 곡선은 유지장치 유형에 따라서도 차이를 보였으며, 나사 고정(screw-retained) 임플란트는 시멘트 고정(cement-retained) 및 애태치먼트 고정(attachment-retained) 임플란트에 비해 누적 생존율이 유의하게 낮았다. 캔틸레버 형태의 설계는 캔틸레버가 없는 설계에 비해 누적 생존율이 유의하게 감소하는 양상을 보였다. 통상 하중은 즉시 하중에 비해 실패할 가능성이 유의하게 낮았다. 결론: 임플란트 지지 보철물의 설계는 하악 전치부에 식립된 임플란트의 생존에 영향을 미친다. 즉시 하중은 전치부 하악에서 임플란트 실패와 관련된 위험 요인이다.