Ei koodia keinoälyä epätyydyttävään endodonttihoitoon liittyvien radiografisten ominaisuuksien havaitsemiseen
maanantai 24. kesäkuuta 2024 päivittänyt: Lars Bjørndal, University of Copenhagen
Korjaavan huomautuksen käyttöönotto ilman koodia Tekoälyyn perustuva ohjelmisto useiden epätyydyttävään endodonttihoitoon liittyvien radiografisten ominaisuuksien havaitsemiseksi: satunnaistettu kontrolloitu kokeilu
Neuraaliverkkopohjaisten mallien kehittäminen kuva-analyysiä varten voi olla aikaa vievää ja vaatii tietojoukon suunnittelua ja mallikoulutusta.
Koodittomien AI-alustojen avulla käyttäjät voivat merkitä objektin ominaisuuksia ilman koodausta.
Korjaava huomautus, "ihminen silmukassa" -lähestymistapa, jalostaa tekoälyn segmentointeja iteratiivisesti.
Hammaslääketiede on menestynyt hampaiden täytösten segmentoinnissa koodittomalla tekoälyllä.
Tämän tutkimuksen tarkoituksena on arvioida juurihoidon laatuun liittyviä radiografisia piirteitä käyttämällä "ihminen silmukassa" -lähestymistapaa.
Tutkimuksen yleiskatsaus
Tila
Ei vielä rekrytointia
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Tekoälyn (AI) ja erityisesti syvän oppimisen (DL) ilmaantuminen on osoittanut suuren potentiaalin radiografisten piirteiden löytämisessä ja hoidon suunnittelussa kariologian ja endodontian alalla.
Kasvava määrä kirjallisuutta viittaa siihen, että DL-mallit voisivat auttaa hammaslääkäreitä havaitsemaan radiografisia piirteitä, kuten kariesvaurioita ja periapikaalisia vaurioita, sekä ennustamaan pulpulan altistumisen riskiä karieksen kaivaushoitoa tehtäessä.
Nykyisestä kirjallisuudesta ei kuitenkaan ole riittävästi tutkimusta osallistujien ja tekoälyn vuorovaikutuksesta tekoälypohjaisessa alustassa endodontian hoidon tekniseen laatuun liittyvien piirteiden havaitsemiseksi.
Tämän prospektiivisen satunnaistetun kontrolloidun tutkimuksen tavoitteena on arvioida opiskelijoiden suorituskykyä käytettäessä tekoälypohjaista alustaa endodontian hoidon tekniseen laatuun liittyvien piirteiden havaitsemiseen ja hoidon pitkän aikavälin ennusteen ennustamiseen.
Oletuksena on, että osallistujien suorituskyky ryhmässä, jolla on pääsy AI-vastauksiin, on samanlainen kuin kontrolliryhmän, jolla ei ole pääsyä AI-vastauksiin.
Opintotyyppi
Interventio
Ilmoittautuminen (Arvioitu)
80
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Shaqayeq Ramezanzade, Phd
- Puhelinnumero: 55278370
- Sähköposti: shaqayeq.ramezanzade@gmail.com
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
- Aikuinen
Hyväksyy terveitä vapaaehtoisia
Joo
Kuvaus
Sisällyttämiskriteerit:
1. Viime vuoden hammaslääketieteen opiskelija Kööpenhaminan yliopistossa
Poissulkemiskriteerit:
- Onko sinulla aikaisempaa tekoälyyn liittyvää kokemusta
- Ei suostu allekirjoittamaan tietoisen suostumuksen
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Diagnostiikka
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Kaksinkertainen
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: osallistujat käyttävät tekoälyn ohjausta
kokeellinen haara viittaa osallistujaryhmään, jolla on pääsy tekoälypohjaiseen alustaan endodontian hoidon tekniseen laatuun liittyvien piirteiden havaitsemiseksi.
Nämä osallistujat käyttävät tekoälyapua tutkimuksen aikana.
|
Kokeilua varten tehtiin suojattu verkkosivusto, jolle jokainen opiskelija voi kirjautua sisään annetulla numerolla.
Kaikki kuvatietojoukot ladattiin tälle verkkosivustolle.
Oppilaat jaetaan satunnaisesti koe- ja kontrolliryhmään.
Molempia opiskelijoita pyydettiin segmentoimaan juurihoidon laatuun liittyvät ominaisuudet ja ennustamaan hoidon ennuste, kun taas koeryhmällä oli mahdollisuus saada tekoälyn ohjausta ja kontrolliryhmällä ei.
|
|
Ei väliintuloa: Ohjausvarsi ilman tekoälyn ohjausta
ohjausryhmä koostuu osallistujista, joilla ei ole pääsyä tekoälypohjaiseen alustaan.
He suorittavat samat tehtävät tai arvioinnit kuin kokeellisessa ryhmässä, mutta ilman tekoälyn apua.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tarkkuus
Aikaikkuna: tiedonkeruun kautta, keskimäärin 6 kuukautta
|
Tarkkuus ilmaisee, kuinka tarkasti tulos vastaa todellista arvoa tai standardia.
Yksi tärkeimmistä tuloksistamme on kokeen ja kontrolliryhmän osallistujien tarkkuus radiografisten ominaisuuksien oikean löytämisessä ja tulosten ennustamisessa.
vertailun viite on kolmen hammaslääketieteen asiantuntijan yksimielisyys.
|
tiedonkeruun kautta, keskimäärin 6 kuukautta
|
|
Herkkyys
Aikaikkuna: tiedonkeruun kautta, keskimäärin 6 kuukautta
|
Tämä mitta ilmaisee todellisten positiivisten tulosten (oikein tunnistettujen tapausten) osuuden kaikista positiivisista tapauksista.
Suuri herkkyys osoittaa, että ihminen on hyvä havaitsemaan tilan.
Kokeilun ja kontrolliryhmän osallistujien herkkyys radiografisten piirteiden oikean löytämisessä ja tulosten ennustamisessa on yksi tärkeimmistä tuloksistamme.
Vertailu on tehty kolmen hammaslääketieteen asiantuntijan yksimieliseen arvioon.
|
tiedonkeruun kautta, keskimäärin 6 kuukautta
|
|
Spesifisyys
Aikaikkuna: tiedonkeruun kautta, keskimäärin 6 kuukautta
|
Spesifisyys mittaa todellisten negatiivisten tulosten osuutta kaikista negatiivisista tapauksista.
Yksi tärkeimmistä tuloksistamme on kokeen ja kontrolliryhmän osallistujien spesifisyys radiografisten piirteiden oikean löytämisessä ja tulosten ennustamisessa.
Vertailu on tehty kolmen hammaslääketieteen asiantuntijan yksimieliseen arvioon.
|
tiedonkeruun kautta, keskimäärin 6 kuukautta
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Lars Bjørndal, Prof., University of Copenhagen Department of Odontology Cariology and Endodontics
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 (Arvioitu)
Tiistai 30. heinäkuuta 2024
Ensisijainen valmistuminen (Arvioitu)
Keskiviikko 13. marraskuuta 2024
Opintojen valmistuminen (Arvioitu)
Perjantai 13. joulukuuta 2024
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Lauantai 25. toukokuuta 2024
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Perjantai 7. kesäkuuta 2024
Ensimmäinen Lähetetty (Todellinen)
Maanantai 10. kesäkuuta 2024
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Tiistai 25. kesäkuuta 2024
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Maanantai 24. kesäkuuta 2024
Viimeksi vahvistettu
Lauantai 1. kesäkuuta 2024
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 38LZDNHFH5JN
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
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 .