Erkennung periapikaler Läsionen auf zahnärztlichen Panorama-Röntgenaufnahmen basierend auf künstlicher Intelligenz (OPTITOMO)
Erkennung periapikaler Läsionen auf zahnärztlichen Panoramabildern basierend auf künstlicher Intelligenz mittels Kegelstrahl-Computertomographie
Zahnperiapikale Schäden können verschiedene Ursachen haben und spiegeln sich in einer strahlendurchlässigen Läsion in der komplementären Bildgebung wider: abgewinkelte retroalveoläre (RA) Röntgenaufnahmen, zahnärztliche Panoramaröntgenaufnahmen und dreidimensionale Bildgebung wie Computertomographie (CT) oder Kegelstrahl-Computertomographie ( CBCT).
Für die röntgenologische Erkennung dieser tiefen parodontalen Läsionen stellt das Zahnpanorama einen ersten Ansatz dar, der üblicherweise mit relativ geringer Strahlung durchgeführt wird. Der Untersuchung kann eine retroalveoläre radiologische Bildgebung folgen, die lokalisierter und präziser ist. Bei Verwendung dieser Techniken sind die Erkennungsraten dieser Läsionen jedoch gering (20 % bzw. 36 %). Für eine genauere Unterscheidung ist eine dreidimensionale tomografische Untersuchung erforderlich (69 %). Die Goldstandard-Bildgebung zur Erkennung dieser Läsionen ist die DVT, gefolgt von einer retroalveolären Röntgenaufnahme (ca. 2x weniger empfindlich als DVT) und einer Panorama-Röntgenaufnahme (ca. 2x weniger empfindlich als RA). Obwohl es sich nicht um eine Vollbild-Röntgenaufnahme handelt, hat das Zahnpanorama den Vorteil, dass es häufiger durchgeführt wird, weniger strahlend ist als die DVT und einen Gesamtüberblick über die Zahnbögen auf einem einzigen Bild bietet.
Die Erkennung periapikaler Läsionen erfolgt nach einer klinischen Beurteilung und einer visuellen Beurteilung der ergänzenden Untersuchungen.
Ziel dieses Projekts ist es, die Erkennung periapikaler Läsionen zu verbessern, indem ein Algorithmus entwickelt wird, der diese auf einem Panorama-Zahnröntgenbild identifizieren kann. Dieser Algorithmus basiert auf einem Deep-Learning-System, das mit Referenzdaten trainiert wird, darunter Panorama-Dentalbildgebung und CBCT mit einem Erfassungsintervall von weniger als 3 Monaten. Das Modell basiert auf einer früheren Arbeit und soll die Qualität der Ausgangsdaten (mittels CBCT) mithilfe innovativer Algorithmen der künstlichen Intelligenz (Transfer-Learning) verbessern.
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienkontakt
- Name: Arpiné EL NAR, PhD
- Telefonnummer: 0033387557766
- E-Mail: a.elnar@chr-metz-thionville.fr
Studienorte
-
-
-
Metz, Frankreich, 57085
- Rekrutierung
- CHR Metz-Thionville/Hopital de Mercy
-
Kontakt:
-
Kontakt:
- Arpiné EL NAR, PhD
- Telefonnummer: 0033387557766
- E-Mail: a.elnar@chr-metz-thionville.fr
-
Unterermittler:
- Paul RETIF, MD
-
Hauptermittler:
- Marc ENGELS-DEUTSCH, MD
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patienten, bei denen eine DVT-Untersuchung und eine zahnmedizinische Panoramabildgebung durchgeführt wurden und zwischen den beiden Untersuchungen weniger als 3 Monate lagen
Ausschlusskriterien:
- Patienten, die sich weigerten, an der Studie teilzunehmen.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Leistung der Software für künstliche Intelligenz
Zeitfenster: 2 Jahre
|
Messung des F1-Scores. Der F1-Score wird als harmonisches Mittel der Präzisions- und Recall-Scores berechnet. Der Bereich liegt zwischen 0 und 100 %, und ein höherer F1-Score weist auf einen Klassifikator mit besserer Qualität hin. |
2 Jahre
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Spezifität der Software für künstliche Intelligenz
Zeitfenster: 2 Jahre
|
Messung der wahren Positiven, wahren Negativen, falsch positiven und falsch negativen Ergebnisse
|
2 Jahre
|
Mitarbeiter und Ermittler
Ermittler
- Hauptermittler: Marc ENGELS-DEUTSCH, MD, CHR Metz Thionville Hopital de Mercy
- Studienstuhl: Paul RETIF, MD, PhD, CHR Metz Thionville Hopital de Mercy
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 2023-04Obs-CHRMT
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
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 .