Päätöksentukijärjestelmän ohjelmiston arviointi aikuispotilaiden poiminta- ja ankkurisuunnittelussa tietokonealgoritmia käyttäen
maanantai 18. heinäkuuta 2022 päivittänyt: Walaa Mohamed Hassan Gadallah, Cairo University
Se otettiin käyttöön hammaslääketieteessä käytettäväksi innovatiivisessa tutkimuksessa ja kehityksessä sekä helpottaa päätöksentekoa monimutkaisissa tapauksissa ja varmistaa potilaiden hoidon korkean laadun.
Oikomishoidon alalla monissa tutkimuksissa mainittiin aiemmin ajatus tekoälystä, joka osoittaa erittäin lupaavia tuloksia ja korkeaa luotettavuutta.
Sitä käytettiin oikomishoidon eri aloilla, kuten diagnoosissa, hoidon suunnittelussa ja hoidon tulosten arvioinnissa
Tutkimuksen yleiskatsaus
Tila
Rekrytointi
Interventio / Hoito
Yksityiskohtainen kuvaus
Tässä tutkimuksessa tavoitteena on päästä käsiksi uuden päätöksenteon tukijärjestelmän tehokkuuteen määritettäessä, onko päätös poiminta vai ei, ja kuhunkin tapaukseen tarvittava ankkurisuunnitelma.
Tämä tehtiin aiemmin monissa maissa, ja ne tutkimukset julkaistaan
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Odotettu)
80
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Walaa Mohamed Gadallah, Bachelor degree
- Puhelinnumero: 01021340189
- Sähköposti: walaa.hassan@dentistry.cu.edu.eg
Opiskelupaikat
-
-
-
Cairo, Egypti
- Rekrytointi
- Walaa Mohamed Hassan Gadallah
-
Ottaa yhteyttä:
- walaa mohamed Gadallah, Bachelor
- Puhelinnumero: 01021340189
- Sähköposti: walaa.hassan@dentistry.cu.edu.eg
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
15 vuotta - 35 vuotta (Lapsi, Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei käytössä
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Kun Kasr el Ainysta on rekrytoitu hyvin viimeisteltyjä tapauksia, joissa ei ole vakavia luustoeroja, tapaukset tulee dokumentoida hyvin. Potilaiden tarkat ja täydelliset dokumentaatiot seuraavien tekijöiden suhteen:
- Preoperatiiviset ja postoperatiiviset röntgenkuvat.
- Hyvälaatuiset ennen ja postoperatiiviset valokuvat.
- Preoperatiiviset ja postoperatiiviset tutkimusmallit.
- Yksityiskohtainen dokumentaatio hoitojaksosta ja mekaniikasta. Jos potilastiedostossa oli puutteellisia tietoja; potilas suljetaan sitten pois tutkimuksesta.
Kuvaus
Sisällyttämiskriteerit:
- Kotelot hyvin viimeistellyllä oikomishoidolla.
- Tapaukset, joissa on ollut yli 10 mm ahtautta ja jotka vaativat poistoa.
- Tapaukset, joissa ei ole vakavia luuston poikkeavuuksia.
- Hyvin dokumentoidut tapaukset sekä ennen leikkausta että sen jälkeen.
- Potilaat, joilla oli täysi sarja pysyviä hampaita, puhkesivat
Poissulkemiskriteerit:
- Väärin viimeistellyt oikomishoidot.
- Tapaukset, joissa on lievää ahtautta, joita hoidetaan muilla hoitovaihtoehdoilla kuin poistamalla.
- Kasvavat potilaat tai jäljelle jäänyt kasvua kefalometrisessa analyysissä
- Tapaukset, joissa on vakavia luuston poikkeavuuksia.
- Huonosti dokumentoidut tapaukset.
- Potilaat, jotka eivät pidä kiinni ankkurisuunnitelmasta
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Kohortti
- Aikanäkymät: Muut
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
hyvin viimeisteltyjä tapauksia
|
Päättää, tehdäänkö louhinta vai ei-louhintapäätös kussakin tapauksessa
Muut nimet:
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tutkia ohjelmapäätösten tehokkuutta poiminta/ei-luovutus- ja Anchorage-suunnittelupäätösten suhteen
Aikaikkuna: 1 vuosi
|
Konkordanssikorrelaatiokerrointa käytettäisiin kahden menetelmän välisen yhteensopivuuden mittaamiseksi kullekin hoitovaihtoehdolle kahdella menetelmällä (kvantitatiiviset tiedot) antamien arvojen (%) perusteella.
|
1 vuosi
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- 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.
Hyödyllisiä linkkejä
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Odotettu)
Maanantai 22. elokuuta 2022
Ensisijainen valmistuminen (Odotettu)
Tiistai 1. marraskuuta 2022
Opintojen valmistuminen (Odotettu)
Lauantai 1. huhtikuuta 2023
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Tiistai 21. joulukuuta 2021
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Lauantai 23. huhtikuuta 2022
Ensimmäinen Lähetetty (Todellinen)
Keskiviikko 27. huhtikuuta 2022
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Keskiviikko 20. heinäkuuta 2022
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Maanantai 18. heinäkuuta 2022
Viimeksi vahvistettu
Perjantai 1. heinäkuuta 2022
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muut tutkimustunnusnumerot
- 94030405
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Päättämätön
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .
Kliiniset tutkimukset Hyvin viimeistellyt tapaukset
-
Baylor College of MedicineRekrytointi