- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT06029751
Seguimiento dinámico de los factores que influyen en el éxito de los implantes y modelos para predecir los resultados de los implantes
1 de septiembre de 2023 actualizado por: Yi Zhou, The Dental Hospital of Zhejiang University School of Medicine
Hoy en día, la tecnología de inteligencia artificial con el aprendizaje automático como medio principal se ha aplicado cada vez más al campo bucal, y ha jugado un papel cada vez más importante en el examen, diagnóstico, tratamiento y evaluación pronóstica de las enfermedades bucales.
Entre ellos, el aprendizaje automático es una rama importante de la inteligencia artificial, que se refiere al sistema que aprende patrones estadísticos específicos en un conjunto de datos determinado para predecir el comportamiento de nuevas muestras de datos [8].
El aprendizaje automático se divide en dos categorías principales: aprendizaje supervisado y aprendizaje no supervisado.
La existencia de supervisión depende de si los datos ingresados están etiquetados o no.
Si los datos de entrada están etiquetados, se trata de aprendizaje supervisado.
El aprendizaje sin etiquetas no está supervisado.
El aprendizaje supervisado es un tipo de algoritmo de aprendizaje cuando se conoce la salida correcta del conjunto de datos.
Debido a que la entrada y la salida son conocidas, significa que existe una relación entre la entrada y la salida, y el algoritmo de aprendizaje supervisado debe descubrir y resumir esta "relación".
El aprendizaje no supervisado se refiere a una clase de algoritmos de aprendizaje para datos sin etiquetar.
La ausencia de información de etiquetas significa que es necesario descubrir y resumir patrones o estructuras a partir del conjunto de datos.
Descripción general del estudio
Estado
Reclutamiento
Condiciones
Intervención / Tratamiento
Descripción detallada
A partir de diferentes tipos de datos, los investigadores construyeron una variedad de modelos para extraer los datos y predecir el pronóstico del implante.
El aprendizaje automático suele ser más impresionante e intuitivo en términos de imágenes.
En el campo de la implantología oral, los investigadores analizan datos de imágenes preoperatorias basándose en el aprendizaje automático para identificar estructuras anatómicas importantes (como el seno maxilar, el tubo neural mandibular, etc.) y analizar la calidad del hueso alveolar.
Los datos de imágenes a gran escala también se utilizan para identificar los diferentes sistemas de implantes existentes en el mercado.
El aprendizaje automático también juega un papel importante en el desarrollo de planes de cirugía de implantes, lo que conduce a una cirugía de implantación más precisa y eficiente.
La evaluación de la tasa de retención del implante y el nivel óseo individual es también una de las preocupaciones clínicas clave.
La mayoría de los métodos para estudiar estas cuestiones son: análisis de supervivencia de Kaplan-Meier, análisis de supervivencia de Cox, etc., para estudiar la tasa de retención de implantes y los factores que influyen.
Se utilizaron un modelo lineal (mixto) y una regresión logística múltiple para estudiar los cambios y los factores que influyen en la absorción ósea en el borde del implante.
Sin embargo, en la práctica clínica diaria, pueden surgir algunos problemas prácticos, como la pérdida de seguimiento y la falta de datos parciales.
A medida que los escenarios clínicos de la investigación se vuelven cada vez más claros, incluso la falta de datos parciales a menudo conduce a resultados que no pueden evaluarse ni predecirse con precisión.
Por tanto, en términos de aprendizaje supervisado, este estudio tiene como objetivo establecer un modelo predictivo del cambio del nivel óseo del implante y evaluar la precisión del modelo mediante el aprendizaje automático del nivel óseo del borde del implante (MBL) con grandes cantidades de datos.
En términos de aprendizaje no supervisado, el objetivo es identificar fenotipos de susceptibilidad al fracaso del implante mediante: agrupación de información individual sobre los implantes.
Tipo de estudio
De observación
Inscripción (Estimado)
1000
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Estudio Contacto
- Nombre: Yi Zhou
- Número de teléfono: 0571 87217419
- Correo electrónico: zhouyizyzyzy@163.com
Copia de seguridad de contactos de estudio
- Nombre: Siyao Ma
- Número de teléfono: 0571 87217419
- Correo electrónico: 1123348672@qq.com
Ubicaciones de estudio
-
-
Zhejiang
-
Hangzhou, Zhejiang, Porcelana, 310003
- Reclutamiento
- The Stomatologic Hospital, School of Medicine, Zhejiang University
-
Contacto:
- Yi Zhou
- Número de teléfono: 0571 87217419
-
Contacto:
- Siyao Ma
- Número de teléfono: 0571 87217419
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Sí
Método de muestreo
Muestra de probabilidad
Población de estudio
Este era un estudio retrospectivo.
Después de buscar en la literatura identificada por el tamaño de la muestra del método de predicción del modelo combinado, se determinó que se requerían los datos iniciales y los datos de seguimiento de 1000 pacientes.
Descripción
Criterios de inclusión:
- (1) Pacientes de 18 años o más; (2) 1-5 años después de la implantación; (3) Torque de implantación > 35 N·cm; (4) Consentimiento informado firmado.
Criterio de exclusión:
- (1) Contraindicaciones de la cirugía de implantación general; (2) Haber recibido radioterapia en la cabeza y el cuello; (3) Tratamiento pasado o actual con bifosfonatos; (4) No coopere con el entrevistador.
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Nivel óseo medio del implante dental
Periodo de tiempo: 1-7 años
|
La distancia vertical entre el implante y la primera zona de contacto del hueso y la punta del implante (mesial y distal)
|
1-7 años
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Investigadores
- Investigador principal: Weida Li, Stomatological Hospital Affiliated to Zhejiang University School of Medicine
Publicaciones y enlaces útiles
La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.
Publicaciones Generales
- Papantonopoulos G, Gogos C, Housos E, Bountis T, Loos BG. Prediction of individual implant bone levels and the existence of implant "phenotypes". Clin Oral Implants Res. 2017 Jul;28(7):823-832. doi: 10.1111/clr.12887. Epub 2016 Jun 1.
- Raynaud M, Aubert O, Divard G, Reese PP, Kamar N, Yoo D, Chin CS, Bailly E, Buchler M, Ladriere M, Le Quintrec M, Delahousse M, Juric I, Basic-Jukic N, Crespo M, Silva HT Jr, Linhares K, Ribeiro de Castro MC, Soler Pujol G, Empana JP, Ulloa C, Akalin E, Bohmig G, Huang E, Stegall MD, Bentall AJ, Montgomery RA, Jordan SC, Oberbauer R, Segev DL, Friedewald JJ, Jouven X, Legendre C, Lefaucheur C, Loupy A. Dynamic prediction of renal survival among deeply phenotyped kidney transplant recipients using artificial intelligence: an observational, international, multicohort study. Lancet Digit Health. 2021 Dec;3(12):e795-e805. doi: 10.1016/S2589-7500(21)00209-0. Epub 2021 Oct 28.
- Cetiner D, Isler SC, Bakirarar B, Uraz A. Identification of a Predictive Decision Model Using Different Data Mining Algorithms for Diagnosing Peri-implant Health and Disease: A Cross-Sectional Study. Int J Oral Maxillofac Implants. 2021 Sep-Oct;36(5):952-965. doi: 10.11607/jomi.8965.
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
1 de enero de 2017
Finalización primaria (Estimado)
31 de diciembre de 2025
Finalización del estudio (Estimado)
31 de diciembre de 2025
Fechas de registro del estudio
Enviado por primera vez
1 de septiembre de 2023
Primero enviado que cumplió con los criterios de control de calidad
1 de septiembre de 2023
Publicado por primera vez (Actual)
8 de septiembre de 2023
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
8 de septiembre de 2023
Última actualización enviada que cumplió con los criterios de control de calidad
1 de septiembre de 2023
Última verificación
1 de septiembre de 2023
Más información
Términos relacionados con este estudio
Otros números de identificación del estudio
- DHZhejiangU-2022(005)
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .
Ensayos clínicos sobre Sin intervención
-
University of OxfordOxford University Hospitals NHS TrustDesconocidoSíntomas de comportamientoReino Unido
-
Munich Municipal HospitalTechnical University of Munich; University of RegensburgDesconocido
-
Shiraz University of Medical SciencesTerminado
-
Heidelberg UniversityDesconocidoRetraso de idioma | Trastornos del desarrollo del lenguajeAlemania
-
Ottawa Heart Institute Research CorporationCanadian Institutes of Health Research (CIHR)Activo, no reclutandoDependencia a la nicotina, cigarrillos | Abstinencia de nicotinaCanadá
-
IWK Health CentreCanadian Institutes of Health Research (CIHR)TerminadoTrastorno de oposición desafiante | Trastorno de conductaCanadá
-
The Hospital for Sick ChildrenTerminadoObesidad infantilCanadá
-
VA Office of Research and DevelopmentTerminadoTrastornos de Estrés PostraumáticoEstados Unidos
-
IWK Health CentreMcGill University; Canadian Institutes of Health Research (CIHR); University of... y otros colaboradoresActivo, no reclutandoTrastornos del neurodesarrollo | Trastornos del ComportamientoCanadá
-
Sahlgrenska University Hospital, SwedenKarolinska University Hospital; Skane University Hospital; Karlstad Central Hospital y otros colaboradoresActivo, no reclutandoClaudicación intermitenteSuecia