- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05348109
Évaluation du logiciel du système d'aide à la décision dans la planification de l'extraction et de l'ancrage chez les patients adultes à l'aide d'un algorithme informatique
18 juillet 2022 mis à jour par: Walaa Mohamed Hassan Gadallah, Cairo University
Il a été introduit en dentisterie pour être utilisé dans la recherche et le développement innovants en plus de faciliter la décision dans les cas compliqués et d'assurer une qualité élevée des soins aux patients.
Dans le domaine de l'orthodontie en particulier, de nombreuses études ont précédemment évoqué l'idée de l'intelligence artificielle montrant des résultats très prometteurs et un haut degré de fiabilité.
Il a été utilisé dans différents domaines de l'orthodontie comme le diagnostic, la planification du traitement, l'évaluation des résultats du traitement
Aperçu de l'étude
Statut
Recrutement
Intervention / Traitement
Description détaillée
Dans cette étude, l'objectif est d'accéder à l'efficacité du nouveau système d'aide à la décision pour déterminer si la décision est d'extraction ou de non-extraction et le plan d'ancrage requis pour chaque cas.
Cela a été réalisé dans le passé dans de nombreux pays et ces études sont publiées
Type d'étude
Observationnel
Inscription (Anticipé)
80
Contacts et emplacements
Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.
Coordonnées de l'étude
- Nom: Walaa Mohamed Gadallah, Bachelor degree
- Numéro de téléphone: 01021340189
- E-mail: walaa.hassan@dentistry.cu.edu.eg
Lieux d'étude
-
-
-
Cairo, Egypte
- Recrutement
- Walaa Mohamed Hassan Gadallah
-
Contact:
- walaa mohamed Gadallah, Bachelor
- Numéro de téléphone: 01021340189
- E-mail: walaa.hassan@dentistry.cu.edu.eg
-
-
Critères de participation
Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.
Critère d'éligibilité
Âges éligibles pour étudier
15 ans à 35 ans (Enfant, Adulte)
Accepte les volontaires sains
N/A
Sexes éligibles pour l'étude
Tout
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Recrutant des cas bien finis ayant des antécédents de surpeuplement de Kasr el Ainy sans anomalie squelettique grave, les cas doivent être bien documentés. La documentation précise et complète des patients quant à la présence de :
- Radiographies préopératoires et postopératoires.
- Photographies préopératoires et postopératoires de bonne qualité.
- Modèles d'études préopératoires et postopératoires.
- Documentation détaillée de la séquence de traitement et de la mécanique. S'il y avait des données incomplètes fournies dans le dossier du patient; le patient sera alors exclu de l'étude.
La description
Critère d'intégration:
- Cas avec traitement orthodontique bien fini.
- Cas avec antécédents d'encombrement de plus de 10 mm et nécessitant une extraction.
- Cas sans anomalie squelettique grave.
- Des cas bien documentés avec des dossiers préopératoires et postopératoires.
- Les patients avec un ensemble complet de dents permanentes ont fait éruption
Critère d'exclusion:
- Cas orthodontiques mal finis.
- Cas avec encombrement léger pris en charge par des options de traitement autres que l'extraction.
- Patients en pleine croissance ou montrant toute croissance résiduelle restant dans l'analyse céphalométrique
- Cas avec anomalie squelettique grave.
- Cas mal documentés.
- Les patients ne respectent pas le plan d'ancrage
Plan d'étude
Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.
Comment l'étude est-elle conçue ?
Détails de conception
- Modèles d'observation: Cohorte
- Perspectives temporelles: Autre
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
étuis bien finis
|
Décider si une décision d'extraction ou de non-extraction sera prise pour chaque cas
Autres noms:
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Étudier l'efficacité des décisions du programme en termes de décisions d'extraction/non-extraction et de planification d'ancrage
Délai: 1 an
|
Le coefficient de corrélation de concordance serait utilisé pour mesurer l'accord entre les 2 méthodes sur la base des valeurs (%) attribuées pour chaque option de traitement par les 2 méthodes (données quantitatives).
|
1 an
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Publications et liens utiles
La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.
Publications générales
- 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.
Liens utiles
Dates d'enregistrement des études
Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.
Dates principales de l'étude
Début de l'étude (Anticipé)
22 août 2022
Achèvement primaire (Anticipé)
1 novembre 2022
Achèvement de l'étude (Anticipé)
1 avril 2023
Dates d'inscription aux études
Première soumission
21 décembre 2021
Première soumission répondant aux critères de contrôle qualité
23 avril 2022
Première publication (Réel)
27 avril 2022
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
20 juillet 2022
Dernière mise à jour soumise répondant aux critères de contrôle qualité
18 juillet 2022
Dernière vérification
1 juillet 2022
Plus d'information
Termes liés à cette étude
Autres numéros d'identification d'étude
- 94030405
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Indécis
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Non
Étudie un produit d'appareil réglementé par la FDA américaine
Non
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .