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.

배경: 최근 몇 년 동안 인공지능(AI)은 치의학 전 분야에서 괄목할 만한 발전을 이루며 의미 있는 성과를 달성해 왔다. 특히 보철학에서 AI를 적용하려는 노력은 지속적으로 진전되고 있다. 본 범위 문헌고찰(scoping review)은 치과 크라운 보철 및 관련 주제에서의 AI 적용과 성능을 제시하는 것을 목적으로 한다. 방법: 2010년 1월부터 2024년 1월까지 PubMed, Scopus, Web of Science, Google Scholar, IEEE Xplore 데이터베이스에서 문헌 검색을 수행하였다. 포함된 논문은 제작, 평가 및 예후를 포함하여 치과 크라운 치료의 다양한 측면에서 AI를 적용한 내용을 다루었다. 결과: 초기 전자 문헌 검색으로 393편의 기록을 확인하였으며, 중복 참고문헌을 제외한 후 315편으로 줄였다. 포함 기준을 적용하여 질적 검토에 포함된 12편의 적격 출판물을 분석하였다. 본 고찰에 포함된 AI 기반 적용은 치과 크라운 finish line의 검출, AI 기반 색상 매칭의 평가, 크라운 준비(crown preparation)의 평가, AI로 설계된 크라운의 평가, 구강 내 사진에서의 치과 크라운 식별, 그리고 탈락(bonding loss)에 대한 확률의 예측과 관련되었다. 결론: AI는 치과 크라운을 제작하고 평가하는 과정과 같은 업무의 효율을 높일 잠재력이 있으며, 분석된 대부분의 연구에서 높은 정확도가 보고되었다. 그러나 AI 기반 소프트웨어를 사용하여 크라운을 설계하는 데에 초점을 둔 연구가 상당수였고, 이들 연구는 대상 환자 수가 적었으며 알고리즘을 항상 제시하지는 않았다. AI 연구의 보고 및 평가를 위한 표준화된 프로토콜이 근거와 효과를 높이기 위해 필요하다.

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.

배경: 최근 몇 년 동안 인공지능(AI)은 치의학 전 분야에서 괄목할 만한 발전을 이루며 의미 있는 성과를 달성해 왔다. 특히 보철학에서 AI를 적용하려는 노력은 지속적으로 진전되고 있다. 본 범위 문헌고찰(scoping review)은 치과 크라운 보철 및 관련 주제에서의 AI 적용과 성능을 제시하는 것을 목적으로 한다. 방법: 2010년 1월부터 2024년 1월까지 PubMed, Scopus, Web of Science, Google Scholar, IEEE Xplore 데이터베이스에서 문헌 검색을 수행하였다. 포함된 논문은 제작, 평가 및 예후를 포함하여 치과 크라운 치료의 다양한 측면에서 AI를 적용한 내용을 다루었다. 결과: 초기 전자 문헌 검색으로 393편의 기록을 확인하였으며, 중복 참고문헌을 제외한 후 315편으로 줄였다. 포함 기준을 적용하여 질적 검토에 포함된 12편의 적격 출판물을 분석하였다. 본 고찰에 포함된 AI 기반 적용은 치과 크라운 finish line의 검출, AI 기반 색상 매칭의 평가, 크라운 준비(crown preparation)의 평가, AI로 설계된 크라운의 평가, 구강 내 사진에서의 치과 크라운 식별, 그리고 탈락(bonding loss)에 대한 확률의 예측과 관련되었다. 결론: AI는 치과 크라운을 제작하고 평가하는 과정과 같은 업무의 효율을 높일 잠재력이 있으며, 분석된 대부분의 연구에서 높은 정확도가 보고되었다. 그러나 AI 기반 소프트웨어를 사용하여 크라운을 설계하는 데에 초점을 둔 연구가 상당수였고, 이들 연구는 대상 환자 수가 적었으며 알고리즘을 항상 제시하지는 않았다. AI 연구의 보고 및 평가를 위한 표준화된 프로토콜이 근거와 효과를 높이기 위해 필요하다.

치과 임플란트 130종의 식별을 위한 앙상블 딥러닝 모델은 기존 알고리즘보다 더 높은 정확도를 보였다. 모델의 성능과 임상적 활용성을 추가로 향상시키기 위해서는 임플란트 식별에 최적화된 고품질 영상과 세밀하게 튜닝된 알고리즘이 필요하다.

, .

목적: 본 연구의 목적은 지르코니아 기반 수복물의 인발(pull-off) 힘에 대해 Ti 기성(abutment)의 서로 다른 3가지 높이와 3가지 시멘트 종류가 미치는 영향을 평가하는 것이다. 재료 및 방법: 총 90개의 고정체(fixture) 실험실용 아날로그를 자가 중합 수지 블록에 매입하였다. 3 mm, 5 mm, 7 mm의 높이를 갖는 90개의 Ti 기성 아버트먼트를 스캔하였고, 스캔 파일로부터 지르코니아 수복물을 제작하였다. 지르코니아 수복물은 제조사 지침에 따라 3가지 시멘트 종류(임시, 반영구, 영구)로 시멘트 접착하였다. 모든 90개 표본을 만능시험기(universal testing machine)에 장착하여 인발 시험(pull-out testing)을 수행하였다. 잔존(retention)은 하중이 떨어지는 시점의 힘(force)을 기록하여 측정하였다. 통계 분석은 시멘트 종류 또는 기성 아버트먼트 높이 간에 통계적으로 유의한 차이가 있는지 확인하기 위해 Kruskal-Wallis 검정을 사용하였다. 이후 기성 아버트먼트 높이에 따른 차이와 3가지 시멘트 간 비교를 위해 Mann-Whitney 검정을 사용하였다. 결과: Temp bond는 어떤 아버트먼트 높이에서도 Fujicem에 비해 유의하게 더 낮은 인발 힘을 보였다. 그러나 3 mm 및 7 mm의 아버트먼트 높이에서는 Cem-implant와 Fujicem 간에 유의한 차이가 있었으나, 5 mm에서는 유의한 차이가 없었다. Temp bond와 Cem-implant는 아버트먼트 높이 5 mm에서만 유의한 차이를 보였다. 결론: Ti 기성 아버트먼트의 높이는 지르코니아 수복물의 유지력(retentiveness)에 영향을 미치지 않았으나, 시멘트 종류는 유의한 차이를 보였다.