- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06667986
L’intelligence artificielle rivalise avec le Digital Bitewing pour détecter les caries secondaires
30 octobre 2024 mis à jour par: Heba Tallah Mohamed Mansour, Cairo University
L'IA rivalise avec la radiographie traditionnelle des ailes occlusales dans la détection des caries secondaires proximales chez un groupe de patients égyptiens à l'Université du Caire, hôpital de la Faculté de médecine dentaire (étude sur l'exactitude du diagnostic)
Cette étude utilise la radiographie numérique interproximale comme norme pour le diagnostic des caries secondaires proximales.
Les patients subiront une imagerie avec une technique parallèle et des paramètres fixes pour garantir des images cohérentes et de haute qualité.
Les radiographies sont interprétées par des professionnels dentaires expérimentés pour maintenir l’exactitude du diagnostic.
Les modèles d'apprentissage automatique YOLO et Mask-RCNN analyseront ces images en trois phases : pré-analytique, analytique et post-analytique.
Un ensemble de données de 322 images étiquetées, annotées par des experts, est utilisé pour entraîner ces modèles.
Les méthodes d'augmentation des données améliorent les performances du modèle et la précision est évaluée par rapport aux résultats radiographiques pour confirmer la fiabilité.
Aperçu de l'étude
Statut
Pas encore de recrutement
Les conditions
Intervention / Traitement
Description détaillée
La carie dentaire est une maladie chronique qui entraîne la destruction des tissus dentaires durs.
Il s’agit d’une pathologie multifactorielle qui passe souvent inaperçue, surtout lorsqu’elle est cachée ou à ses débuts.
La détection des lésions non cavitaires est cruciale pour leur prise en charge précoce.
L'inspection visuo-tactile standard ne parvient souvent pas à identifier les lésions précoces sur les surfaces difficiles d'accès, telles que les zones proximales et sous les restaurations.
La détection précoce des caries proximales est cruciale pour mettre en œuvre des traitements efficaces et obtenir des résultats optimaux.
Une méthode supplémentaire courante pour détecter des lésions précoces sur les surfaces proximales et évaluer leur étendue est la radiographie interproximale.
L'approche diagnostique de routine combine l'examen clinique et l'évaluation radiographique.
Pour augmenter le taux de détection des caries secondaires proximales, les experts recommandent d’intégrer les examens visuels et cliniques à la radiographie interproximale.
Les radiographies intra-orales peuvent être capturées à l'aide de capteurs sur film ou numériques, avec une préférence pour les systèmes numériques en raison de leurs avantages en matière de réduction de l'exposition du patient, de gain de temps, d'amélioration de l'image et de facilité de stockage, de récupération et de transmission des images.
Bien que plus sensibles pour la détection précoce des lésions que les évaluations visuo-tactiles, les évaluations interproximales présentent des écarts significatifs entre les examinateurs et une proportion considérable de détections faussement positives ou faussement négatives.
La littérature récente a exploré l'utilisation de l'intelligence artificielle (IA), un domaine de l'informatique axé sur le développement de machines capables d'imiter les capacités cognitives humaines, comme outil de diagnostic pour détecter les lésions carieuses à l'aide d'images dentaires (radiographiques numériques).
À mesure que la technologie de l’IA progresse, un nombre croissant d’études ont examiné les performances diagnostiques des modèles basés sur l’IA, soulignant l’importance de créer des outils fiables comme l’IA pour améliorer le processus de diagnostic.
De nombreuses études ont évalué les performances des modèles d’IA sur divers types de radiographies dentaires, avec un accent particulier sur les radiographies interproximales (BWR).
L’IA a été utilisée pour diverses applications dans le domaine de la santé bucco-dentaire, notamment la détection des caries dentaires, le traitement et le diagnostic endodontiques, les problèmes parodontaux et la détection de pathologies de lésions buccales.
Un ensemble de données de référence sur les diagnostics de caries à partir de radiographies interproximales réalisées par différents examinateurs a créé cette référence qui sert d'outil crucial pour comparer les performances diagnostiques des modèles d'IA avec celles des examinateurs humains, soulignant les améliorations potentielles en termes de précision et de fiabilité que l'IA peut apporter aux diagnostics dentaires.
Type d'étude
Observationnel
Inscription (Estimé)
322
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: Heba-Tullah mohamed mansour, master
- Numéro de téléphone: 01025457570
- E-mail: hebatullah.mansour@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
- Adulte
Accepte les volontaires sains
Oui
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Les patients fréquentant le département conservateur de la clinique dentaire de l'université du Caire qui présentent des restaurations proximales, ne présentent aucun signe ou symptôme, font preuve de coopération et expriment leur intérêt à participer à l'étude seront considérés comme éligibles.
Les patients porteurs d'appareils orthodontiques ou de ponts pouvant avoir un impact sur la qualité de l'imagerie radiographique seront exclus.
La description
Critères d'intégration :
- Patients adultes âgés de 22 à 60 ans
- Mâles ou femelles.
- Les patients ont des restaurations proximales.
- Patients coopératifs qui manifestent leur intérêt à participer à l'étude.
Critères d'exclusion :
- Patients portant des appareils orthodontiques ou des travaux de pontage susceptibles d'interférer avec l'évaluation
- Patients sans carie.
- Maladie systématique pouvant affecter la participation.
- Patients ne souhaitant pas participer à l'étude ou refusant de signer le consentement éclairé.
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
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
deux modèles d'apprentissage profond, YOLO et Mask-RCNN, seront formés sur cet ensemble de données pour détecter et classer avec précision les images montrant des signes de carie secondaire
Délai: ligne de base
|
les modèles détecteront la présence ou l'absence de caries secondaires autour des restaurations
|
ligne de base
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Les enquêteurs
- Directeur d'études: Prof. Dr. Heba Hamza, professor, Professor of Conservative Dentistry Department, Faculty of Dentistry, Cairo University
- Directeur d'études: Dr. Rawda Hisham A. ElAziz, lecturer, Lecturer of Conservative Dentistry Department, Faculty of Dentistry, Cairo University
- Directeur d'études: Dr. Asmaa Ahmed Elsayed Osman, lecturer, Lecturer of Information Technology, Faculty of Computers and Artificial Intelligence, Cairo University
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
- Chaves ET, Vinayahalingam S, van Nistelrooij N, Xi T, Romero VHD, Flugge T, Saker H, Kim A, Lima GDS, Loomans B, Huysmans MC, Mendes FM, Cenci MS. Detection of caries around restorations on bitewings using deep learning. J Dent. 2024 Apr;143:104886. doi: 10.1016/j.jdent.2024.104886. Epub 2024 Feb 9.
- Mohammad-Rahimi H, Motamedian SR, Rohban MH, Krois J, Uribe SE, Mahmoudinia E, Rokhshad R, Nadimi M, Schwendicke F. Deep learning for caries detection: A systematic review. J Dent. 2022 Jul;122:104115. doi: 10.1016/j.jdent.2022.104115. Epub 2022 Mar 30.
- Mertens S, Krois J, Cantu AG, Arsiwala LT, Schwendicke F. Artificial intelligence for caries detection: Randomized trial. J Dent. 2021 Dec;115:103849. doi: 10.1016/j.jdent.2021.103849. Epub 2021 Oct 14.
- Chen X, Guo J, Ye J, Zhang M, Liang Y. Detection of Proximal Caries Lesions on Bitewing Radiographs Using Deep Learning Method. Caries Res. 2022;56(5-6):455-463. doi: 10.1159/000527418. Epub 2022 Oct 10.
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 (Estimé)
15 novembre 2024
Achèvement primaire (Estimé)
15 novembre 2025
Achèvement de l'étude (Estimé)
15 février 2026
Dates d'inscription aux études
Première soumission
30 octobre 2024
Première soumission répondant aux critères de contrôle qualité
30 octobre 2024
Première publication (Réel)
31 octobre 2024
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
31 octobre 2024
Dernière mise à jour soumise répondant aux critères de contrôle qualité
30 octobre 2024
Dernière vérification
1 octobre 2024
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- AI in detect dental caries
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 .