Development and Validation of a Deep Learning Model to Predict Endodontic Retreatment Difficulty From Periapical Radiographs (Ai Retreatment)
keskiviikko 20. toukokuuta 2026 päivittänyt: Noha Mohamed Elsaber, Cairo University
The aim of this study is to develop and evaluate an artificial intelligence-based model capable of analyzing periapical radiographs of maxillary and mandibular molars to predict the difficulty level of non-surgical root canal retreatment.
By integrating deep learning techniques with routinely acquired periapical radiographs, this study aims to enhance diagnostic support, improve clinical decision-making, and facilitate appropriate case selection or referral in endodontic practice.
Tutkimuksen yleiskatsaus
Tila
Ei vielä rekrytointia
Ehdot
Opintotyyppi
Interventio
Ilmoittautuminen (Arvioitu)
123
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Noha El Saber, PhD student
- Puhelinnumero: +201157157197
- Sähköposti: nohaalsaber@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
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Kuvaus
Inclusion Criteria:
Periapical radiographs of maxillary and mandibular molars requiring non-surgical endodontic retreatment will be included. Radiographs should exhibit satisfactory image quality, characterized by adequate sharpness, contrast, and minimal distortion or noise to allow accurate assessment of relevant anatomical and treatment-related features. Images should clearly display the tooth of interest, surrounding periapical structures, and any existing root canal filling materials or restorations.
Exclusion Criteria:
Deciduous teeth, non-restorable, non-treated teeth
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: Ei käytössä
- Inventiomalli: Yksittäinen ryhmätehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: Deep Learning Model to Predict Endodontic Retreatment Difficulty from Periapical Radiographs
This study will employ a retrospective diagnostic accuracy design focused on the development and validation of a deep learning-based model for automated prediction of endodontic retreatment difficulty in maxillary and mandibular molars using periapical radiographs.
The methodology will involve radiographic data acquisition, expert annotation of case difficulty according to standardized criteria, deep learning model development and training, and comprehensive performance evaluation of the proposed system.
|
This study will employ a retrospective diagnostic accuracy design focused on the development and validation of a deep learning-based model for automated prediction of endodontic retreatment difficulty in maxillary and mandibular molars using periapical radiographs.
The methodology will involve radiographic data acquisition, expert annotation of case difficulty according to standardized criteria, deep learning model development and training, and comprehensive performance evaluation of the proposed system.
Muut nimet:
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
diagnostic accuracy
Aikaikkuna: From Data collection to model testing up to 60 weeks
|
Diagnostic performance of the deep learning model in predicting endodontic retreatment difficulty level
|
From Data collection to model testing up to 60 weeks
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
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)
Keskiviikko 1. heinäkuuta 2026
Ensisijainen valmistuminen (Arvioitu)
Perjantai 1. tammikuuta 2027
Opintojen valmistuminen (Arvioitu)
Perjantai 1. tammikuuta 2027
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Torstai 14. toukokuuta 2026
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Keskiviikko 20. toukokuuta 2026
Ensimmäinen Lähetetty (Todellinen)
Torstai 28. toukokuuta 2026
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Torstai 28. toukokuuta 2026
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Keskiviikko 20. toukokuuta 2026
Viimeksi vahvistettu
Perjantai 1. toukokuuta 2026
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muut tutkimustunnusnumerot
- newendo7.1.1
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 .