Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Die Erkennungsgenauigkeit des zweiten mesio-bukkalen Kanals künstlicher Intelligenz der oberen ersten Molaren auf DVT-Bildern

20. April 2022 aktualisiert von: Arwa Mousa, Cairo University

Die Genauigkeit der computergestützten Erkennung des zweiten mesio-bukkalen Kanals der oberen ersten Molaren auf CBCT-Bildern unter Verwendung des Deep-Learning-Modells (künstliche Intelligenz): Diagnostische Genauigkeitsstudie

CAD-Systeme sind Computeranwendungen, die bei der Erkennung und/oder Diagnose von Krankheiten helfen, indem sie dem Bildauswerter eine unvoreingenommene „zweite Meinung“ geben, mit dem Ziel, die Genauigkeit zu verbessern und die Zeit für die Analyse zu verkürzen. Mit dem schnellen Wachstum von Deep Learning (DL)-Algorithmen in bildbasierten Anwendungen können CAD-Systeme jetzt von DL trainiert werden, um fortschrittlichere Fähigkeiten (dh die Fähigkeiten der künstlichen Intelligenz [KI]) bereitzustellen, um Kliniker optimal zu unterstützen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Unzählige Studien und Diskussionen basierten auf der Existenz eines zweiten Kanals in der mesiobukkalen (MB) Wurzel der oberen Molaren, da man fest davon überzeugt ist, dass einer der Hauptgründe für endodontisches Versagen bei oberen ersten Molaren die Schwierigkeit ist, und zu erkennen Behandlung dieser zweiten mesiobukkalen (MB2) Kanäle. Aus der Literatur geht hervor, dass MB2-Kanäle von oberen ersten Molaren zwar in mehr als 70 % der In-vitro-Studien gefunden wurden, sie aber in weniger als 40 % der Fälle klinisch entdeckt wurden. Die Kegelstrahl-Computertomographie (CBCT) ist ein bildgebendes Verfahren im Bereich der Endodontie, das mehrere Vorteile bietet, darunter die Fähigkeit, dreidimensionale (3D) Bildgebung von Wurzelkanalsystemen mit geringeren Strahlendosen, höherer Auflösung und ohne Überlagerung durchzuführen . Forscher haben die Effizienz von CBCT bei der Identifizierung von MB2-Kanälen bewertet, und CBCT wurde als zuverlässige Methode zur Erkennung dieser Kanäle vorgeschlagen. In klinisch relevanten Situationen, wie kleineren Läsionen auf wurzelgefüllten Zähnen, ist die DVT-Genauigkeit jedoch stark reduziert (Sensitivität 0,63, Spezifität 0,69) . Darüber hinaus leidet die klinisch abhängige Interpretation der CBCT-Bildgebung immer noch unter einer geringen Übereinstimmung zwischen und innerhalb des Beobachters.

Die computergestützte Erkennung und Diagnose (CAD) wurde in der biomedizinischen Bildanalyse außerhalb der Zahnheilkunde weit verbreitet.

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

50

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studieren Sie die Kontaktsicherung

Studienorte

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

18 Jahre und älter (Erwachsene, Älterer Erwachsener)

Akzeptiert gesunde Freiwillige

Ja

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

CBCT-Scans, die obere erste Molaren mit einer Auflösung von nicht mehr als 0,1 mm Voxelgröße zeigen. Die CBCT-Daten dieser Studie werden aus der CBCT-Datenbank bezogen, die an der Abteilung für orale und maxillofaziale Radiologie, Fakultät für Zahnmedizin, Universität Kairo, Kairo, Ägypten, verfügbar ist und von mehreren privaten Radiologiezentren, die dieselbe Maschinenmarke mit denselben Parametern verwenden. CBCT-Scans von ägyptischen Patienten, die im Rahmen ihrer zahnärztlichen Diagnose und/oder Behandlungsplanung von Januar 2020 bis Dezember 2022 bereits einer CBCT-Untersuchung unterzogen wurden, werden gemäß den vorgeschlagenen Zulassungskriterien aufgenommen.

Beschreibung

Einschlusskriterien:

  • • CBCT-Scans, die einen durchgebrochenen 1. Molar im Oberkiefer zeigen.

    • Vovelgröße nicht mehr als 0,1 mm.
    • Oberkiefermolaren mit vollständiger Wurzelbildung.
    • Kariöser oder nicht kariöser Zahn.

Ausschlusskriterien:

  • • Obere erste Molaren mit Entwicklungsanomalien, externer oder interner Wurzelresorption, Wurzelkanalverkalkung, vorangegangener Wurzelkanalbehandlung, Stiftrestaurationen und/oder Wurzelkaries.

    • CBCT-Bilder von suboptimaler Qualität oder Artefakte/hohe Streuung, die eine ordnungsgemäße Beurteilung beeinträchtigen.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
CBCT-Bilder von oberen 1. Molaren
Diagnosetest: Deep-Learning-Modell
Deep-Learning-Modell, das von einem Informatikexperten entwickelt wurde und auf einem neuronalen Faltungsnetzwerk basiert und von unseren Datensätzen trainiert wird.
Andere Namen:
  • Werkzeug der künstlichen Intelligenz

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Genauigkeit der Erkennung von MB2
Zeitfenster: Grundlinie
Erkennung von MB2 auf CBCT-Bildern von oberen ersten Molaren unter Verwendung eines Deep-Learning-Modells
Grundlinie

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Cairo University

Ermittler

  • Studienleiter: Enas Anter, Ph.D, Cairo University

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Allgemeine Veröffentlichungen

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Voraussichtlich)

1. Mai 2022

Primärer Abschluss (Voraussichtlich)

1. September 2023

Studienabschluss (Voraussichtlich)

1. Oktober 2023

Studienanmeldedaten

Zuerst eingereicht

15. April 2022

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

20. April 2022

Zuerst gepostet (Tatsächlich)

21. April 2022

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

21. April 2022

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

20. April 2022

Zuletzt verifiziert

1. April 2022

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • CBCT AI 7-1-1

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

UNENTSCHIEDEN

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .

Klinische Studien zur Deep-Learning-Modell

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Taiwan

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren