Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

Umělá inteligence soupeří s digitálním kousáním při detekci sekundárního kazu

30. října 2024 aktualizováno: Heba Tallah Mohamed Mansour, Cairo University

AI soupeří s tradiční radiografií skusových křídel při detekci proximálního sekundárního kazu u skupiny egyptských pacientů na Káhirské univerzitě, Fakultní zubní nemocnice (studie diagnostické přesnosti)

Tato studie používá digitální bitewing radiografii jako standard pro diagnostiku proximálního sekundárního kazu. Pacienti podstoupí snímkování s paralelní technikou a pevným nastavením, aby byla zajištěna vysoká kvalita a konzistentní snímky. Rentgenové snímky jsou interpretovány zkušenými zubními odborníky, aby byla zachována diagnostická přesnost. Modely strojového učení YOLO a Mask-RCNN budou tyto obrázky analyzovat ve třech fázích: preanalytické, analytické a postanalytické. K trénování těchto modelů se používá datová sada 322 označených obrázků anotovaných odborníky. Metody augmentace dat zvyšují výkon modelu a přesnost se posuzuje podle radiografických výsledků, aby se potvrdila spolehlivost.

Přehled studie

Postavení

Zatím nenabíráme

Podmínky

Detailní popis

Zubní kaz je chronická onemocnění, která vedou k destrukci tvrdých zubních tkání. Jde o multifaktoriální stav, který často zůstává nediagnostikován, zvláště když je skrytý nebo v počátečních fázích. Detekce nekavitovaných lézí je zásadní pro jejich včasnou léčbu. Standardní vizuálně-hmatová kontrola často nedokáže identifikovat časné léze na těžko dostupných površích, jako jsou proximální oblasti a pod výplněmi. Včasná detekce proximálního kazu je zásadní pro zavedení účinné léčby a dosažení optimálních výsledků. Běžnou doplňkovou metodou pro detekci časných lézí na proximálních površích a posouzení jejich rozsahu je bitewing radiografie. Rutinní diagnostický přístup kombinuje klinické vyšetření s radiografickým vyšetřením. Pro zvýšení míry detekce proximálního sekundárního kazu odborníci doporučují integrovat vizuální a klinická vyšetření s rentgenem kousnutí. Rentgenové snímky intraorálního bitewingu mohou být pořizovány pomocí filmových nebo digitálních senzorů s upřednostněním digitálních systémů vzhledem k jejich výhodám spočívajícím ve snížení expozice pacienta, úspoře času, vylepšení obrazu a snadném ukládání, vyhledávání a přenosu snímků. I když je hodnocení kousnutí citlivější pro detekci časných lézí než vizuálně-hmatové hodnocení, přichází s významnými rozdíly mezi vyšetřujícími a se značným podílem falešně pozitivních nebo falešně negativních detekcí. Nedávná literatura prozkoumala použití umělé inteligence (AI), oblasti počítačové vědy zaměřené na vývoj strojů schopných napodobovat lidské kognitivní schopnosti, jako diagnostického nástroje pro detekci kazů pomocí dentálních (digitálních radiografických) snímků. Jak se technologie umělé inteligence vyvíjí, stále větší počet studií zkoumal diagnostický výkon modelů založených na umělé inteligenci a zdůrazňoval význam vytváření spolehlivých nástrojů, jako je umělá inteligence, pro zlepšení diagnostického procesu. Četné studie hodnotily výkonnost modelů umělé inteligence na různých typech dentálních rentgenových snímků, s významným zaměřením na bitewing rentgenogramy (BWR). Umělá inteligence se používá pro různé aplikace v oblasti ústního a zubního zdraví, včetně detekce zubního kazu, endodontické léčby a diagnostiky, periodontálních problémů a detekce patologie ústních lézí. Referenční soubor údajů o diagnózách zubního kazu z rentgenových snímků kousnutí od různých vyšetřovatelů vytvořil toto měřítko, které slouží jako zásadní nástroj pro srovnání diagnostického výkonu modelů umělé inteligence s vyšetřujícími lidmi, přičemž zdůrazňuje potenciální zlepšení přesnosti a spolehlivosti, které může umělá inteligence přinést do dentální diagnostiky.

Typ studie

Pozorovací

Zápis (Odhadovaný)

322

Kontakty a umístění

Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.

Studijní kontakt

Kritéria účasti

Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.

Kritéria způsobilosti

Věk způsobilý ke studiu

  • Dospělý

Přijímá zdravé dobrovolníky

Ano

Metoda odběru vzorků

Vzorek nepravděpodobnosti

Studijní populace

Za způsobilé budou považováni pacienti navštěvující konzervativní oddělení na zubní klinice Cairo University Dental Clinic, kteří mají proximální výplně, nevykazují žádné známky nebo symptomy, prokazují spolupráci a projevují zájem o účast ve studii. Pacienti s ortodontickými aparáty nebo můstkem, které by mohly ovlivnit kvalitu radiografického zobrazení, budou vyloučeni.

Popis

Kritéria zahrnutí:

  1. Dospělí pacienti ve věku 22-60 pacientů
  2. Samci nebo samice.
  3. Pacienti mají proximální výplně.
  4. Spolupracující pacienti, kteří projeví zájem o účast ve studii.

Kritéria vyloučení:

  1. Pacienti s ortodontickými aparáty nebo můstkovou prací, která by mohla narušit hodnocení
  2. Pacienti bez kazu.
  3. Systematické onemocnění, které může ovlivnit účast.
  4. Pacienti, kteří nechtějí být součástí studie nebo ti, kteří odmítnou podepsat informovaný souhlas.

Studijní plán

Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.

Jak je studie koncipována?

Detaily designu

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
dva modely hlubokého učení, YOLO a Mask-RCNN, budou trénovány na tomto datovém souboru, aby přesně detekovaly a klasifikovaly snímky vykazující známky sekundárního kazu
Časové okno: základní linie
modely detekují přítomnost nebo nepřítomnost sekundárního kazu kolem výplní
základní linie

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Vyšetřovatelé

  • Ředitel studie: Prof. Dr. Heba Hamza, professor, Professor of Conservative Dentistry Department, Faculty of Dentistry, Cairo University
  • Ředitel studie: Dr. Rawda Hisham A. ElAziz, lecturer, Lecturer of Conservative Dentistry Department, Faculty of Dentistry, Cairo University
  • Ředitel studie: Dr. Asmaa Ahmed Elsayed Osman, lecturer, Lecturer of Information Technology, Faculty of Computers and Artificial Intelligence, Cairo University

Publikace a užitečné odkazy

Osoba odpovědná za zadávání informací o studiu tyto publikace poskytuje dobrovolně. Mohou se týkat čehokoli, co souvisí se studiem.

Termíny studijních záznamů

Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.

Hlavní termíny studia

Začátek studia (Odhadovaný)

15. listopadu 2024

Primární dokončení (Odhadovaný)

15. listopadu 2025

Dokončení studie (Odhadovaný)

15. února 2026

Termíny zápisu do studia

První předloženo

30. října 2024

První předloženo, které splnilo kritéria kontroly kvality

30. října 2024

První zveřejněno (Aktuální)

31. října 2024

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

31. října 2024

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

30. října 2024

Naposledy ověřeno

1. října 2024

Více informací

Termíny související s touto studií

Další identifikační čísla studie

  • AI in detect dental caries

Informace o lécích a zařízeních, studijní dokumenty

Studuje lékový produkt regulovaný americkým FDA

Ne

Studuje produkt zařízení regulovaný americkým úřadem FDA

Ne

Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .

Předplatit