A dental implant is a treatment option that is widely used nowadays and provides to giving the aesthetic, function, and phonation back to the patient in dental deficiencies. Nevertheless, the inefficacies of dental implants also draw attention for various reasons. Factors causing early period implant inefficacies are being analyzed and reasons that may be affecting marginal bone loss are being elaborated. In the literature, factors causing marginal bone loss such as premature prosthetic loading, neglected cement residues at the prosthesis stage, micro-gap foundation, infection foundation on the surgery region and traumatic surgery draws attention. One of these reasons is the thickness of the mucosa covering the region that the implant is placed (phenotype). The purpose of our review is to discuss the effect of mucosal thickness in the surgical area on the marginal bone loss in the implant area, within the scope of the literature.
23 January 2026 in Türk Diş Hekimliği Araştırma Dergisi
Son yıllarda yapay zeka teknolojileri, sağlık hizmetlerinde tanıdan tedaviye pek çok alanda dönüşüm yaratmıştır. Diş hekimliği özelinde, özellikle görüntüleme verilerinin analizi ve klinik karar destek sistemlerinin gelişimiyle birlikte, yapay zekanın potansiyeli giderek daha fazla önem kazanmaktadır. Periodontal hastalıkların teşhis, sınıflandırma, tedavi planlaması ve hasta takibi gibi alanlarında bu teknolojinin katkılarını ele alan güncel çalışmalar dikkat çekici bulgular sunmaktadır. Bu çalışmada, periodontoloji alanında yürütülen yapay zeka temelli araştırmalar değerlendirilmiş; klinik, radyografik ve biyolojik verilerin analizinde kullanılan yapay zeka modellerinin doğruluk, özgüllük ve duyarlılık düzeyleri karşılaştırılmıştır. Derin öğrenme algoritmalarının tedavi takibi, risk tahmini ve uzaktan hasta izleminde etkili olduğu ve kişiselleştirilmiş ağız sağlığı uygulamalarında da yenilikçi bir yaklaşım sunduğu gözlemlenmiştir. Bununla birlikte, sınırlı veri çeşitliliği, tek merkezli tasarımlar ve etik-yasal belirsizlikler, mevcut modellerin genellenebilirliğini ve klinik uygulanabilirliğini kısıtlamaktadır. Gelecekte, daha büyük ve temsili veri setleriyle yapılacak çok merkezli çalışmaların, yapay zekanın periodontoloji pratiğine güvenli ve etkili entegrasyonuna olanak sağlayacağı öngörülmektedir.