Ingen kode kunstig intelligens til at opdage radiografiske træk forbundet med utilfredsstillende endodontisk behandling
24. juni 2024 opdateret af: Lars Bjørndal, University of Copenhagen
Implementering af en korrigerende anmærkning Ingen kode Kunstig intelligens-baseret software til at detektere adskillige røntgenfunktioner forbundet med utilfredsstillende endodontisk behandling: et randomiseret kontrolleret forsøg
Udvikling af neurale netværksbaserede modeller til billedanalyse kan være tidskrævende og kræver datasætdesign og modeltræning.
No-code AI-platforme giver brugerne mulighed for at annotere objektfunktioner uden kodning.
Korrigerende annotering, en "human-in-the-loop" tilgang, forfiner AI-segmenteringer iterativt.
Tandpleje har haft succes med no-code AI til segmentering af tandrestaureringer.
Denne undersøgelse har til formål at vurdere radiografiske træk relateret til rodbehandlingskvalitet ved hjælp af en "human-in-the-loop" tilgang.
Studieoversigt
Status
Ikke rekrutterer endnu
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Fremkomsten af kunstig intelligens (AI) og specifikt deep learning (DL) har vist et stort potentiale i at finde radiografiske træk og behandlingsplanlægning inden for kariologi og endodonti.
En voksende mængde litteratur tyder på, at DL-modeller kan hjælpe tandlæger med at opdage radiografiske træk såsom karieslæsioner og periapikale læsioner, samt forudsige risikoen for pulpaeksponering, når de udfører cariesudgravningsterapi.
Selvom den nuværende litteratur mangler tilstrækkelig forskning om interaktionen mellem deltagere og AI i en AI-baseret platform til påvisning af funktioner forbundet med teknisk kvalitet af endodontisk behandling.
Dette prospektive randomiserede kontrollerede forsøg har til formål at vurdere elevernes præstationer, når de bruger en AI-baseret platform til at opdage funktioner forbundet med teknisk kvalitet af endodontisk behandling og forudsige den langsigtede prognose for behandlingen.
Hypotesen er, at deltagernes præstation i gruppen med adgang til AI-svar svarer til kontrolgruppen uden adgang til AI-svar.
Undersøgelsestype
Interventionel
Tilmelding (Anslået)
80
Fase
- Ikke anvendelig
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Shaqayeq Ramezanzade, Phd
- Telefonnummer: 55278370
- E-mail: shaqayeq.ramezanzade@gmail.com
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
Tager imod sunde frivillige
Ja
Beskrivelse
Inklusionskriterier:
1.At være sidste års tandlægestuderende på Københavns Universitet
Ekskluderingskriterier:
- Har nogen tidligere AI-relaterede erfaringer
- Accepterer ikke at underskrive det informerede samtykke
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Diagnostisk
- Tildeling: Randomiseret
- Interventionel model: Parallel tildeling
- Maskning: Dobbelt
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
|---|---|
|
Eksperimentel: deltagere ved hjælp af vejledning fra kunstig intelligens
den eksperimentelle arm refererer til den gruppe af deltagere, der har adgang til den AI-baserede platform til at opdage funktioner forbundet med den tekniske kvalitet af endodontisk behandling.
Disse deltagere vil bruge AI-assistancen under undersøgelsen.
|
Der blev lavet en sikret hjemmeside til forsøget, hvor hver elev kunne logge ind med det tildelte nummer.
Alle billeddatasæt blev uploadet til denne hjemmeside.
Eleverne vil blive tilfældigt tildelt forsøgs- og kontrolgruppen.
Begge elever blev bedt om at segmentere funktionerne forbundet med kvaliteten af rodbehandling og forudsige prognosen for behandlingen, mens eksperimentgruppen havde adgang til AI-vejledning, og kontrolgruppen ikke havde.
|
|
Ingen indgriben: Kontrolarm uden nogen vejledning fra kunstig intelligens
kontrolarmen består af deltagere, som ikke har adgang til den AI-baserede platform.
De vil udføre de samme opgaver eller vurderinger som dem i den eksperimentelle del, men uden hjælp fra AI.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøjagtighed
Tidsramme: gennem dataindsamling, i gennemsnit 6 måneder
|
Nøjagtighed repræsenterer, hvor tæt et resultat stemmer overens med den sande værdi eller standard.
Nøjagtighed af deltagere i eksperiment og kontrolgruppe med at finde de radiografiske træk korrekt og forudsige resultaterne er et af vores primære resultater.
referencen for sammenligningen er konsensus fra tre eksperter i tandpleje.
|
gennem dataindsamling, i gennemsnit 6 måneder
|
|
Følsomhed
Tidsramme: gennem dataindsamling, i gennemsnit 6 måneder
|
Dette mål kvantificerer andelen af sande positive resultater (korrekt identificerede tilfælde) ud af alle positive tilfælde.
Høj følsomhed indikerer, at man er god til at opdage tilstanden.
Følsomhed hos deltagere i eksperiment og kontrolgruppe til korrekt at finde de radiografiske træk og forudsige resultaterne er et af vores primære resultater.
Sammenligningen er foretaget mod konsensusdom fra tre eksperter i tandpleje.
|
gennem dataindsamling, i gennemsnit 6 måneder
|
|
Specificitet
Tidsramme: gennem dataindsamling, i gennemsnit 6 måneder
|
Specificitet måler andelen af sande negative resultater ud af alle negative tilfælde.
Specificitet af deltagere i eksperiment og kontrolgruppe med hensyn til korrekt at finde de radiografiske træk og forudsige resultaterne er et af vores primære resultater.
Sammenligningen er foretaget mod konsensusdom fra tre eksperter i tandpleje.
|
gennem dataindsamling, i gennemsnit 6 måneder
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Samarbejdspartnere
Efterforskere
- Ledende efterforsker: Lars Bjørndal, Prof., University of Copenhagen Department of Odontology Cariology and Endodontics
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Anslået)
30. juli 2024
Primær færdiggørelse (Anslået)
13. november 2024
Studieafslutning (Anslået)
13. december 2024
Datoer for studieregistrering
Først indsendt
25. maj 2024
Først indsendt, der opfyldte QC-kriterier
7. juni 2024
Først opslået (Faktiske)
10. juni 2024
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
25. juni 2024
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
24. juni 2024
Sidst verificeret
1. juni 2024
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 38LZDNHFH5JN
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .