Bewertung der Software von Entscheidungsunterstützungssystemen bei der Extraktions- und Verankerungsplanung bei erwachsenen Patienten mithilfe von Computeralgorithmen
18. Juli 2022 aktualisiert von: Walaa Mohamed Hassan Gadallah, Cairo University
Es wurde in der Zahnheilkunde eingeführt, um in der innovativen Forschung und Entwicklung eingesetzt zu werden, die Entscheidung in komplizierten Fällen zu erleichtern und eine hohe Qualität der Patientenversorgung sicherzustellen.
Insbesondere im Bereich der Kieferorthopädie wurde bereits in vielen Studien die Idee der künstlichen Intelligenz erwähnt, die vielversprechende Ergebnisse und ein hohes Maß an Zuverlässigkeit zeigt.
Es wurde in verschiedenen Bereichen der Kieferorthopädie eingesetzt, z. B. bei der Diagnose, Behandlungsplanung und Bewertung des Behandlungsergebnisses
Studienübersicht
Status
Rekrutierung
Intervention / Behandlung
Detaillierte Beschreibung
In dieser Studie besteht das Ziel darin, die Effizienz des neuen Entscheidungsunterstützungssystems bei der Bestimmung, ob es sich um eine Extraktion oder Nichtextraktion handelt, und den für jeden Fall erforderlichen Verankerungsplan zu ermitteln.
Dies wurde in der Vergangenheit in vielen Ländern durchgeführt und diese Studien werden veröffentlicht
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
80
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Walaa Mohamed Gadallah, Bachelor degree
- Telefonnummer: 01021340189
- E-Mail: walaa.hassan@dentistry.cu.edu.eg
Studienorte
-
-
-
Cairo, Ägypten
- Rekrutierung
- Walaa Mohamed Hassan Gadallah
-
Kontakt:
- walaa mohamed Gadallah, Bachelor
- Telefonnummer: 01021340189
- E-Mail: walaa.hassan@dentistry.cu.edu.eg
-
-
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
15 Jahre bis 35 Jahre (Kind, Erwachsene)
Akzeptiert gesunde Freiwillige
N/A
Studienberechtigte Geschlechter
Alle
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Bei der Rekrutierung von gut abgeschlossenen Fällen aus Kasr el Ainy, bei denen es in der Vergangenheit zu Engpässen kam und keine schwerwiegenden Skelettdiskrepanzen auftraten, sollten Fälle gut dokumentiert werden. Die genaue und vollständige Dokumentation der Patienten hinsichtlich des Vorliegens von:
- Präoperative und postoperative Röntgenaufnahmen.
- Präoperative und postoperative Fotos in guter Qualität.
- Präoperative und postoperative Studienmodelle.
- Detaillierte Dokumentation des Behandlungsablaufs und der Mechanik. Wenn die Patientenakte unvollständige Daten enthielt; Der Patient wird dann von der Studie ausgeschlossen.
Beschreibung
Einschlusskriterien:
- Fälle mit gut abgeschlossener kieferorthopädischer Behandlung.
- Fälle mit einem Engstand von mehr als 10 mm in der Vorgeschichte, die eine Extraktion erforderten.
- Fälle ohne schwerwiegende Skelettdiskrepanz.
- Gut dokumentierte Fälle mit präoperativen und postoperativen Aufzeichnungen.
- Patienten mit einem vollständigen Satz bleibender Zähne brachen durch
Ausschlusskriterien:
- Unsachgemäß ausgeführte kieferorthopädische Fälle.
- Fälle mit leichtem Engstand, die durch andere Behandlungsoptionen als die Extraktion behandelt werden.
- Patienten im Wachstum oder bei verbleibenden Restwachstum in der kephalometrischen Analyse
- Fälle mit schwerer Skelettdiskrepanz.
- Schlecht dokumentierte Fälle.
- Patienten halten sich nicht an den Verankerungsplan
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Kohorte
- Zeitperspektiven: Sonstiges
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Gut verarbeitete Hüllen
|
In jedem Einzelfall wird entschieden, ob eine Extraktion oder eine Nicht-Extraktion erfolgen soll
Andere Namen:
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Untersuchung der Effizienz der Programmentscheidungen in Bezug auf Gewinnung/Nichtgewinnung und Planungsentscheidungen für Anchorage
Zeitfenster: 1 Jahr
|
Der Konkordanzkorrelationskoeffizient würde verwendet, um die Übereinstimmung zwischen den beiden Methoden auf der Grundlage der Werte (%) zu messen, die jeder Behandlungsoption von den beiden Methoden zugewiesen wurden (quantitative Daten).
|
1 Jahr
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
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
- Mandava, P., Ganugapanta, V. R. and Pradesh, A. (2016) 'Review article Annals and Essences of Dentistry ANCHORAGE IN ORTHODONTICS : A LITERATURE REVIEW Review article', Annals and Essences of Dentistry, VIII(2).
- Muraev AA, Tsai P, Kibardin I, Oborotistov N, Shirayeva T, Ivanov S, Ivanov S, Guseynov N, Aleshina O, Bosykh Y, Safyanova E, Andreischev A, Rudoman S, Dolgalev A, Matyuta M, Karagodsky V, Tuturov N. Frontal cephalometric landmarking: humans vs artificial neural networks. Int J Comput Dent. 2020;23(2):139-148.
- Aksakalli S, Demir A, Selek M, Tasdemir S. Temperature increase during orthodontic bonding with different curing units using an infrared camera. Acta Odontol Scand. 2014 Jan;72(1):36-41. doi: 10.3109/00016357.2013.794954. Epub 2013 May 3.
- Auconi P, Scazzocchio M, Cozza P, McNamara JA Jr, Franchi L. Prediction of Class III treatment outcomes through orthodontic data mining. Eur J Orthod. 2015 Jun;37(3):257-67. doi: 10.1093/ejo/cju038. Epub 2014 Sep 4.
- Bichu YM, Hansa I, Bichu AY, Premjani P, Flores-Mir C, Vaid NR. Applications of artificial intelligence and machine learning in orthodontics: a scoping review. Prog Orthod. 2021 Jul 5;22(1):18. doi: 10.1186/s40510-021-00361-9. Review.
- Briganti G, Le Moine O. Artificial Intelligence in Medicine: Today and Tomorrow. Front Med (Lausanne). 2020 Feb 5;7:27. doi: 10.3389/fmed.2020.00027. eCollection 2020.
- Chen S, Wang L, Li G, Wu TH, Diachina S, Tejera B, Kwon JJ, Lin FC, Lee YT, Xu T, Shen D, Ko CC. Machine learning in orthodontics: Introducing a 3D auto-segmentation and auto-landmark finder of CBCT images to assess maxillary constriction in unilateral impacted canine patients. Angle Orthod. 2020 Jan;90(1):77-84. doi: 10.2319/012919-59.1. Epub 2019 Aug 12.
- Chen YW, Stanley K, Att W. Artificial intelligence in dentistry: current applications and future perspectives. Quintessence Int. 2020;51(3):248-257. doi: 10.3290/j.qi.a43952. Erratum In: Quintessence Int. 2020;51(5):430.
- Choi HI, Jung SK, Baek SH, Lim WH, Ahn SJ, Yang IH, Kim TW. Artificial Intelligent Model With Neural Network Machine Learning for the Diagnosis of Orthognathic Surgery. J Craniofac Surg. 2019 Oct;30(7):1986-1989. doi: 10.1097/SCS.0000000000005650. Erratum in: J Craniofac Surg. 2020 Jun;31(4):1156.
- Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. Teleneurology and mobile technologies: the future of neurological care. Nat Rev Neurol. 2018 May;14(5):285-297. doi: 10.1038/nrneurol.2018.31. Epub 2018 Apr 6. Review.
- Felfoul O, Mohammadi M, Taherkhani S, de Lanauze D, Zhong Xu Y, Loghin D, Essa S, Jancik S, Houle D, Lafleur M, Gaboury L, Tabrizian M, Kaou N, Atkin M, Vuong T, Batist G, Beauchemin N, Radzioch D, Martel S. Magneto-aerotactic bacteria deliver drug-containing nanoliposomes to tumour hypoxic regions. Nat Nanotechnol. 2016 Nov;11(11):941-947. doi: 10.1038/nnano.2016.137. Epub 2016 Aug 15.
- Feres M, Louzoun Y, Haber S, Faveri M, Figueiredo LC, Levin L. Support vector machine-based differentiation between aggressive and chronic periodontitis using microbial profiles. Int Dent J. 2018 Feb;68(1):39-46. doi: 10.1111/idj.12326. Epub 2017 Aug 2.
- Goto S, Kimura M, Katsumata Y, Goto S, Kamatani T, Ichihara G, Ko S, Sasaki J, Fukuda K, Sano M. Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients. PLoS One. 2019 Jan 9;14(1):e0210103. doi: 10.1371/journal.pone.0210103. eCollection 2019.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Hwang JJ, Lee JH, Han SS, Kim YH, Jeong HG, Choi YJ, Park W. Strut analysis for osteoporosis detection model using dental panoramic radiography. Dentomaxillofac Radiol. 2017 Oct;46(7):20170006. doi: 10.1259/dmfr.20170006. Epub 2017 Jul 14.
- Khanagar SB, Al-Ehaideb A, Vishwanathaiah S, Maganur PC, Patil S, Naik S, Baeshen HA, Sarode SS. Scope and performance of artificial intelligence technology in orthodontic diagnosis, treatment planning, and clinical decision-making - A systematic review. J Dent Sci. 2021 Jan;16(1):482-492. doi: 10.1016/j.jds.2020.05.022. Epub 2020 Jun 5. Review.
- Kunz F, Stellzig-Eisenhauer A, Zeman F, Boldt J. Artificial intelligence in orthodontics : Evaluation of a fully automated cephalometric analysis using a customized convolutional neural network. J Orofac Orthop. 2020 Jan;81(1):52-68. doi: 10.1007/s00056-019-00203-8. Epub 2019 Dec 18.
- Yeom SH, Na JS, Jung HD, Cho HJ, Choi YJ, Lee JS. Computational analysis of airflow dynamics for predicting collapsible sites in the upper airways: machine learning approach. J Appl Physiol (1985). 2019 Oct 1;127(4):959-973. doi: 10.1152/japplphysiol.01033.2018. Epub 2019 Jul 18.
- Xie X, Wang L, Wang A. Artificial neural network modeling for deciding if extractions are necessary prior to orthodontic treatment. Angle Orthod. 2010 Mar;80(2):262-6. doi: 10.2319/111608-588.1.
- Turakhia MP, Desai M, Hedlin H, Rajmane A, Talati N, Ferris T, Desai S, Nag D, Patel M, Kowey P, Rumsfeld JS, Russo AM, Hills MT, Granger CB, Mahaffey KW, Perez MV. Rationale and design of a large-scale, app-based study to identify cardiac arrhythmias using a smartwatch: The Apple Heart Study. Am Heart J. 2019 Jan;207:66-75. doi: 10.1016/j.ahj.2018.09.002. Epub 2018 Sep 8.
- Topalovic M, Das N, Burgel PR, Daenen M, Derom E, Haenebalcke C, Janssen R, Kerstjens HAM, Liistro G, Louis R, Ninane V, Pison C, Schlesser M, Vercauter P, Vogelmeier CF, Wouters E, Wynants J, Janssens W; Pulmonary Function Study Investigators; Pulmonary Function Study Investigators:. Artificial intelligence outperforms pulmonologists in the interpretation of pulmonary function tests. Eur Respir J. 2019 Apr 11;53(4). pii: 1801660. doi: 10.1183/13993003.01660-2018. Print 2019 Apr.
- Thanathornwong B. Bayesian-Based Decision Support System for Assessing the Needs for Orthodontic Treatment. Healthc Inform Res. 2018 Jan;24(1):22-28. doi: 10.4258/hir.2018.24.1.22. Epub 2018 Jan 31.
- Suhail Y, Upadhyay M, Chhibber A, Kshitiz. Machine Learning for the Diagnosis of Orthodontic Extractions: A Computational Analysis Using Ensemble Learning. Bioengineering (Basel). 2020 Jun 12;7(2). pii: E55. doi: 10.3390/bioengineering7020055.
- Lee JH, Kim DH, Jeong SN, Choi SH. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. J Dent. 2018 Oct;77:106-111. doi: 10.1016/j.jdent.2018.07.015. Epub 2018 Jul 26.
- Lee KS, Jung SK, Ryu JJ, Shin SW, Choi J. Evaluation of Transfer Learning with Deep Convolutional Neural Networks for Screening Osteoporosis in Dental Panoramic Radiographs. J Clin Med. 2020 Feb 1;9(2). pii: E392. doi: 10.3390/jcm9020392.
- Skotko BG, Macklin EA, Muselli M, Voelz L, McDonough ME, Davidson E, Allareddy V, Jayaratne YS, Bruun R, Ching N, Weintraub G, Gozal D, Rosen D. A predictive model for obstructive sleep apnea and Down syndrome. Am J Med Genet A. 2017 Apr;173(4):889-896. doi: 10.1002/ajmg.a.38137. Epub 2017 Jan 26.
- Patcas R, Timofte R, Volokitin A, Agustsson E, Eliades T, Eichenberger M, Bornstein MM. Facial attractiveness of cleft patients: a direct comparison between artificial-intelligence-based scoring and conventional rater groups. Eur J Orthod. 2019 Aug 8;41(4):428-433. doi: 10.1093/ejo/cjz007.
- Patcas R, Bernini DAJ, Volokitin A, Agustsson E, Rothe R, Timofte R. Applying artificial intelligence to assess the impact of orthognathic treatment on facial attractiveness and estimated age. Int J Oral Maxillofac Surg. 2019 Jan;48(1):77-83. doi: 10.1016/j.ijom.2018.07.010. Epub 2018 Aug 4.
- Li P, Kong D, Tang T, Su D, Yang P, Wang H, Zhao Z, Liu Y. Orthodontic Treatment Planning based on Artificial Neural Networks. Sci Rep. 2019 Feb 14;9(1):2037. doi: 10.1038/s41598-018-38439-w.
- Ma Q, Kobayashi E, Fan B, Nakagawa K, Sakuma I, Masamune K, Suenaga H. Automatic 3D landmarking model using patch-based deep neural networks for CT image of oral and maxillofacial surgery. Int J Med Robot. 2020 Jun;16(3):e2093. doi: 10.1002/rcs.2093. Epub 2020 Mar 20.
- Niño-Sandoval TC, Guevara Pérez SV, González FA, Jaque RA, Infante-Contreras C. Use of automated learning techniques for predicting mandibular morphology in skeletal class I, II and III. Forensic Sci Int. 2017 Dec;281:187.e1-187.e7. doi: 10.1016/j.forsciint.2017.10.004. Epub 2017 Oct 12.
- Nieri M, Crescini A, Rotundo R, Baccetti T, Cortellini P, Pini Prato GP. Factors affecting the clinical approach to impacted maxillary canines: A Bayesian network analysis. Am J Orthod Dentofacial Orthop. 2010 Jun;137(6):755-62. doi: 10.1016/j.ajodo.2008.08.028.
- Nanda, R. (2012) 'Biomechanics and Esthetics Strategies in Clinical Orthodontics', Paper Knowledge . Toward a Media History of Documents, p. 194.
- Nahidh, M., Am, A. A. and Sc, A. (2019) 'Understanding Anchorage in Orthodontics', ARC Journal of Dental Science, 4(3). doi: 10.20431/2456-0030.0403002.
- Montúfar J, Romero M, Scougall-Vilchis RJ. Hybrid approach for automatic cephalometric landmark annotation on cone-beam computed tomography volumes. Am J Orthod Dentofacial Orthop. 2018 Jul;154(1):140-150. doi: 10.1016/j.ajodo.2017.08.028.
- Mitchell, L. (2017) 'Introduction to Orthodontics', in Introduction to Orthodontics. 4th edn, pp. 179-190.
- Mendes RG, de Souza CR, Machado MN, Correa PR, Di Thommazo-Luporini L, Arena R, Myers J, Pizzolato EB, Borghi-Silva A. Predicting reintubation, prolonged mechanical ventilation and death in post-coronary artery bypass graft surgery: a comparison between artificial neural networks and logistic regression models. Arch Med Sci. 2015 Aug 12;11(4):756-63. doi: 10.5114/aoms.2015.48145. Epub 2015 Aug 11.
- Martina, R. et al. (2006) 'Neural Network Based System for Decision Making Support in Orthodontic Extractions', Intelligent Production Machines and Systems - 2nd I*PROMS Virtual International Conference 3-14 July 2006, pp. 235-240. doi: 10.1016/B978-008045157-2/50045-6.
Nützliche Links
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)
22. August 2022
Primärer Abschluss (Voraussichtlich)
1. November 2022
Studienabschluss (Voraussichtlich)
1. April 2023
Studienanmeldedaten
Zuerst eingereicht
21. Dezember 2021
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
23. April 2022
Zuerst gepostet (Tatsächlich)
27. April 2022
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
20. Juli 2022
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
18. Juli 2022
Zuletzt verifiziert
1. Juli 2022
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Andere Studien-ID-Nummern
- 94030405
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 .