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

Development of an Artificial Intelligence-Based Clinical Image Model for Detection, Classification, and Management Recommendations of Anterior Gingival Recession

7. Juli 2026 aktualisiert von: Abeer Rashed Murshed, Al-Azhar University
This study aims to develop and evaluate an artificial intelligence-based clinical image model for the detection, classification, and management recommendations of anterior gingival recession. The study will utilize clinical images of patients presenting with gingival recession to train and validate a machine learning model capable of accurately identifying and classifying the condition according to established clinical criteria. In addition, the model will provide preliminary treatment recommendations based on the severity and type of recession. This is a diagnostic and model-development study designed to support clinicians in improving the accuracy and consistency of diagnosis and treatment planning for gingival recession in the anterior region.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

This study is designed to develop and validate an artificial intelligence (AI)-based clinical image analysis model for the detection, classification, and management recommendation of anterior gingival recession. Gingival recession is a common periodontal condition characterized by apical displacement of the gingival margin, which may lead to aesthetic concerns, dentinal hypersensitivity, and increased risk of root caries.

Clinical intraoral images of patients presenting with anterior gingival recession will be collected following standardized imaging protocols. The dataset will be used to train, validate, and test a machine learning model capable of identifying the presence of gingival recession and classifying its severity and/or type according to established periodontal classification systems.

The AI model will also be designed to generate preliminary management recommendations based on the detected class, supporting clinical decision-making. Model performance will be evaluated using standard metrics such as accuracy, sensitivity, specificity, precision, recall, and area under the receiver operating characteristic curve (AUC-ROC).

The study is observational in nature with a diagnostic and model-development component. All patient data will be anonymized to ensure confidentiality, and ethical approval will be obtained prior to data collection. The final output is intended to support clinicians in improving diagnostic consistency and treatment planning efficiency for anterior gingival recession.

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

149

Kontakte und Standorte

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

Studienorte

  • Ägypten
      • Cairo, Ägypten
        • Faculty of Dental Medicine for Girls, Al-Azhar University

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

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

The study population will consist of adult patients presenting with gingival recession affecting anterior teeth and attending the outpatient clinics of the Faculty of Dental Medicine for Girls, Al-Azhar University. Participants with clinically visible anterior gingival recession and adequate clinical photographs suitable for image analysis will be included in the study.

Beschreibung

Inclusion Criteria:

  • Patients aged 18 years or older
  • Presence of at least one anterior tooth exhibiting gingival recession classified according to the Cairo classification system (RT1, RT2, or RT3). - The gingival margin must be clearly visible.
  • High-quality images (good focus, lighting, and resolution) are required.
  • Clinically visible and intact cementoenamel junction (CEJ).

Exclusion Criteria:

  • Presence of cervical restorations or fixed prostheses that interfere with CEJ identification.
  • Patients undergoing active orthodontic treatment.
  • Pregnant individuals, due to hormonal changes affecting gingival tissues.
  • Images with poor photographic quality.

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
Gingival Recession Patients
This group consists of patients presenting with anterior gingival recession. Clinical intraoral images will be collected from eligible participants and used for the development and validation of an artificial intelligence-based classification model. The dataset includes cases with varying degrees and types of gingival recession according to established clinical classification criteria. No therapeutic intervention will be performed as part of the study, and all images will be analyzed for diagnostic and classification purposes only.
Diagnosetest: Artificial Intelligence-Based Clinical Image Analysis Model
An artificial intelligence-based clinical image model will be developed and evaluated using standardized clinical photographs of anterior teeth presenting with gingival recession. The model will be trained to detect the presence of gingival recession, classify lesions according to the Cairo classification system (RT1, RT2, and RT3), and generate preliminary management recommendations based on the identified classification. The system's performance will be assessed by comparing its diagnostic and classification outputs with expert clinical assessments.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Sensitivity and specificity of the AI system in detecting gingival recession, compared to clinical probing measurements.
Zeitfenster: Through study completion, an average of 6 months

-Primary Outcome 1

Outcome Measure: Sensitivity and specificity of the AI system for detecting gingival recession compared with clinical probing measurements.

Primary Outcome 2

Outcome Measure: Agreement between the AI system and expert clinicians in classifying gingival recession according to the Cairo classification, assessed using Cohen's kappa coefficient.
Through study completion, an average of 6 months

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
- Error in automated CEJ identification, compared to manual annotations.
Zeitfenster: Immediately after AI analysis of the clinical images
  • Error in automated CEJ identification, compared to manual annotations.
  • Concordance rate between AI-generated treatment recommendations and those proposed by experienced periodontists.
Immediately after AI analysis of the clinical images

Mitarbeiter und Ermittler

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

Sponsor

Al-Azhar University

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 (Tatsächlich)

15. Juni 2025

Primärer Abschluss (Tatsächlich)

15. Januar 2026

Studienabschluss (Tatsächlich)

15. April 2026

Studienanmeldedaten

Zuerst eingereicht

30. Juni 2026

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

7. Juli 2026

Zuerst gepostet (Tatsächlich)

9. Juli 2026

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

9. Juli 2026

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

7. Juli 2026

Zuletzt verifiziert

1. Juli 2026

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • OMPDR-108-1r

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Produkt, das in den USA hergestellt und aus den USA exportiert wird

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 Zahnfleischrezessionen

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Sri Lanka

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

3
Abonnieren