Keinotekoisen älykkyys (AI) -voiman lämpökuvaus gingival tulehduksen havaitsemiseksi
AI-avusteinen lämpökuvaus ikenen tulehduksen arviointiin: Uusi lähestymistapa
Tässä tutkimuksessa tutkitaan uutta lähestymistapaa ikenen tulehduksen havaitsemiseksi lämpökuvan ja tekoälyn (AI) avulla. Lämpökuvaus on tekniikka, joka käyttää lämpöä yksityiskohtaisten kuvien luomiseen, kun taas AI auttaa analysoimaan näitä kuvia kuvioiden tunnistamiseksi. Toisin kuin perinteiset menetelmät, jotka vaativat suoraa kosketusta tai visuaalista tutkimusta, tämä lähestymistapa ei ole invasiivinen, mikä eliminoi fyysisen vuorovaikutuksen tarpeen ikenen kanssa tai riippuvuuden subjektiivisiin arviointiin.
Tärkein osa tätä tutkimusta on sen keskittyminen suuhun hengittäviin yksilöihin, tilaan, joka vaikeuttaa iken terveydenhuollon seurantaa. Hyödyntämällä lämpökuvausta, tutkimus havaitsi ja luokitteli ikenen tulehdustasot (terve, lievä, kohtalainen tai vaikea) lämmönjakaumakuvioiden perusteella. Lisäksi määritettiin erityiset lämpötilakynnykset erottamaan terveet ja tulehtuneet ikenen kudokset tässä potilasryhmässä, mikä edustaa uutta panosta kentälle.
Kehitetty AI -järjestelmä osoitti suurta tarkkuutta tulehduksen tunnistamisessa. Tällä tekniikalla on potentiaalia helpottaa ikenen sairauden aikaisempaa havaitsemista, jopa ennen kuin kliiniset oireet ilmenevät. Lisäksi se tarjoaa nopean, kivuttoman ja luotettavan menetelmän ikenen terveyden seuraamiseksi ajan myötä, parantaa saavutettavuutta ja parantaa potilaan kokemusta hammashoidosta.
Nämä havainnot viittaavat siihen, että lämpökuvauksen ja AI: n integrointi voisi parantaa merkittävästi ikenen sairauksien diagnosointia ja hallintaa. Tulevaisuuden tutkimus voisi edelleen tarkentaa tätä tekniikkaa laajentamalla näytteen kokoa ja optimoimalla analyyttisiä malleja tarkkuuden ja laajalle levinneiden sovellettavuuden parantamiseksi.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Eettinen hyväksyntä ja osallistujien valinta Tämä tutkimus aloitettiin Gazin yliopiston eettisen komitean hyväksynnän jälkeen (kokous nro 13, päivätty 30.7.2024). Osallistujat valittiin Gazin yliopiston hammaslääketieteellisen tiedekunnan periodontologian laitokselle esiintyvistä henkilöistä.
Suun hengityksen määrittäminen
Suun hengityksen diagnoosi perustui potilaiden sairaushistoriaan ja kliiniseen tutkimukseen. Osallistujilta kysyttiin suun kautta tapahtuvien hengityslaitteiden käytöstä riippumatta siitä, nukkuivat suunsa ollessa auki, ja kokenut he kokenut yötä kuivan suun takia. Seuraavia diagnostisia testejä käytettiin kliinisen tutkimuksen aikana suun hengityksen vahvistamiseksi:
Osallistujia kehotettiin sulkemaan huulensa ja hengittämään yhden sieraimen läpi, kun taas toinen sieraimet suljettiin. Nenän hengityksellä kärsivillä henkilöillä oli tehokasta Alar -lihasten toimintaa, jota tyypillisesti puuttuu suuhun.
Vaikka osallistujia käskettiin hengittämään normaalisti, peili pidettiin vaakasuorassa sieraimien alla kahdenvälisesti. Sumun läsnäoloa peilin alapuolella pidettiin suun hengityksen osoitin.
Kun arvioitiin suun hengityskriteerejä, kriteerit täyttävät henkilöt ilmoittautuivat tutkimukseen seuraavien sisällyttämis- ja poissulkemisparametrien perusteella:
Sisällyttämiskriteerit:
Vähintään 20 hampaiden ikä on 18–25 vuotta, systeeminen terveys ei ole historiaa periodontaalisesta hoidosta viimeisen kuuden kuukauden aikana
Poissulkemiskriteerit:
Systeemisten antibioottien tai anti-inflammatoristen lääkkeiden akuutin infektioiden käyttöä viimeisen kolmen kuukauden aikana systeemisten sairauksien historia raskauden ja/tai imetyksen imetyksen läsnäolo kserostomiasta tai lääkkeen aiheuttamasta gingival-tulehduksesta tai entisen tupakoinnin historian hankkimisesta Lämpökameran linssille ja keskittyi GMBH: n koko gris, PI 450 -alueen. [5].
Alkuperäisen termografisen kuvan jälkeen osallistujia kehotettiin huuhtelemaan 20 ° C jäävedellä 60 sekunnin ajan. Huuhteen jälkeen lämpökuvat kaapattiin 1, 2 ja 3 minuutissa.
Merkitysprosessi Yhteensä 82 lämpökuvaa 20 osallistujalta vaihdettiin 640 × 480 pikseliin ja merkittiin online -lisensoidulla selaintyökalulla (merkitse AI). Kaikkiaan 867 merkittyä datapistettä luotiin ja jaettiin harjoitusjoukkoon (80% kokonaismäärästä) ja testausjoukkoon (20% kokonaismäärästä).
Merkintäprosessi sisälsi jäljittämisen Interdental-papilla-kärjen keskipisteestä, joka seurasi vierekkäisen Interdental-papillan keskipistettä ja ulottui pystysuunnassa mukogingival-liitosta. Tästä pystysuorasta päätepisteestä raja jäljitettiin takaisin lähtökohdan suuntaisesti, palaamalla alkuperäisen Papillan keskipisteen projektioon. Rajat suljettiin pystysuoraan tässä projektiossa.
Tulehduksen arviointi
Tulehduksen aste arvioitiin käyttämällä ikenen indeksiä. Kuvat luokiteltiin neljään ryhmään, jotka perustuvat alueen korkeimman tulehduksen luokkaan:
Tulehdus 0: Normaali ikenoiden tulehdus 1: Lievä tulehduksen tulehdus 2: Kohtalainen tulehdustulehdus 3: Vakava tulehdus
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Çankaya
-
Ankara, Çankaya, Turkki, 06510
- Gazi University Faculty of Dentistry Department of Periodontology
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- On vähintään 20 hammasta
- On 18–25 -vuotiaita ja systeemisesti terveitä.
- Ei periodontaalista hoitoa viimeisen 6 kuukauden aikana.
Poissulkemiskriteerit:
- Minkä tahansa akuutin tartunnan läsnäolo
- Systeemisten antibioottien tai tulehduksen vastaisten lääkkeiden käyttö viimeisen kolmen kuukauden aikana
- Systeemisten sairauksien historia
- Raskaus ja/tai imetys
- Kserostomia tai lääkkeen aiheuttama ikenen tulehdus
- Nykyiset tai entiset tupakoitsijat
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Tulehdukset 0, tulehdukset 1, tulehdus 2, tulehdus 3
Normaali ikenen lievä tulehdukset Kohtalainen tulehdus vakava tulehdus
|
Tulehduksen aste arvioitiin käyttämällä ikenen indeksiä
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
AI -mallin luokittelu suorituskyky ikenen tulehduksen havaitsemiseksi lämpökuvaustiedoista
Aikaikkuna: 6 kuukautta
|
AI -mallin suorituskyky ikenen tulehduksen havaitsemisessa arvioidaan käyttämällä lämpökuvaustiedoista johdettuja luokitusmittareita.
Mallin tehokkuus arvioidaan yleisen tarkkuuden, tarkkuuden, herkkyyden (palauttamisen), spesifisyyden ja F1-pisteiden perusteella.
Luokitteluprosessi suoritetaan käyttämällä XGBOOST-algoritmia 5-kertaisella ristivalidointimenetelmällä luotettavuuden varmistamiseksi.
Lopullinen tarkkuus- ja suorituskykymittarit lasketaan ristiinvalidointitulosten keskiarvona ja keskihajonnana.
|
6 kuukautta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Tutkijat
- Päätutkija: Zeynep Turgut Çankaya, Gazi University
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 30.07.2024/13
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jaon aikakehys
IPD-jakamista tukeva tietotyyppi
- STUDY_PROTOCOL
- MAHLA
- ICF
- ANALYTIC_CODE
- CSR
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
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 .