Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

Az implantátum sikerességét befolyásoló tényezők dinamikus nyomon követése és modellek az implantátum kimenetelének előrejelzéséhez

2024. november 16. frissítette: Yi Zhou, The Dental Hospital of Zhejiang University School of Medicine
Napjainkban a gépi tanulást mint fő eszközt hordozó mesterséges intelligencia technológiát egyre inkább a szájüregi területen alkalmazzák, és egyre nagyobb szerepet játszik a szájüregi betegségek vizsgálatában, diagnosztizálásában, kezelésében és prognózisának felmérésében. Közülük a gépi tanulás a mesterséges intelligencia egyik fontos ága, amely arra utal, hogy a rendszer egy adott adathalmazban sajátos statisztikai mintákat tanul meg, hogy előre jelezze az új adatminták viselkedését [8]. A gépi tanulás két fő kategóriába sorolható: felügyelt tanulás és felügyelet nélküli tanulás. Az, hogy van-e felügyelet, attól függ, hogy a bevitt adatok címkézettek-e vagy sem. Ha a bemeneti adatok fel vannak címkézve, akkor felügyelt tanulásról van szó. A címkézetlen tanulás felügyelet nélkül történik. A felügyelt tanulás egyfajta tanulási algoritmus, ha ismert az adathalmaz helyes kimenete. Mivel a bemenet és a kimenet ismert, ez azt jelenti, hogy kapcsolat van a bemenet és a kimenet között, és a felügyelt tanulási algoritmus célja, hogy felfedezze és összefoglalja ezt a "kapcsolatot". A felügyelet nélküli tanulás a címkézetlen adatok tanulási algoritmusainak egy osztályára utal. A címkeinformáció hiánya azt jelenti, hogy mintákat vagy struktúrákat kell felfedezni és össze kell foglalni az adatkészletből.

A tanulmány áttekintése

Állapot

Toborzás

Körülmények

Beavatkozás / kezelés

Részletes leírás

A különböző adattípusokból kiindulva a kutatók különféle modelleket építettek fel magának az adatoknak a bányászatára és az implantátum prognózisának előrejelzésére. A gépi tanulás gyakran lenyűgözőbb és intuitívabb a képek tekintetében. Az orális implantológia területén a kutatók gépi tanuláson alapuló preoperatív képadatokat elemeznek, hogy azonosítsák a fontos anatómiai struktúrákat (például sinus maxillaris, mandibularis idegcső stb.), és elemezzék az alveoláris csont minőségét. A nagyméretű képalkotó adatokat is felhasználják a piacon lévő különböző implantátumrendszerek azonosítására. A gépi tanulás fontos szerepet játszik az implantációs műtéti tervek kidolgozásában is, amely elősegíti a pontosabb és hatékonyabb beültetési műtétet. Az implantátum-visszatartási arány és az egyéni csontszint értékelése szintén az egyik legfontosabb klinikai szempont. Az ilyen kérdések tanulmányozására szolgáló legtöbb módszer a következő: Kaplan-Meier túlélési elemzés, Cox-túlélési elemzés stb., az implantátum visszatartási arányának és a befolyásoló tényezőknek a tanulmányozására. Lineáris (vegyes) modellt és többszörös logisztikus regressziót alkalmaztunk a csontfelszívódás változásainak és befolyásoló tényezőinek vizsgálatára az implantátum szélén. A napi klinikai gyakorlatban azonban előfordulhat néhány gyakorlati probléma, mint például a nyomon követés elvesztése és a részleges adatok hiánya. Ahogy a kutatás klinikai forgatókönyvei egyre tisztábbá válnak, a részleges adatok hiánya is gyakran olyan eredményekhez vezet, amelyeket nem lehet pontosan értékelni és előre jelezni. Ezért a felügyelt tanulás szempontjából ennek a tanulmánynak az a célja, hogy felállítsa az implantátum csontszintjének változásának prediktív modelljét, és értékelje a modell pontosságát az implantátum él csontszintjének (MBL) gépi tanulásával, nagy mennyiségű adattal. Ami a felügyelet nélküli tanulást illeti, a cél az implantátum tönkremenetelére való hajlam fenotípusok azonosítása a következők révén: az implantátumokkal kapcsolatos egyénre vonatkozó információk klaszterezése.

Tanulmány típusa

Megfigyelő

Beiratkozás (Becsült)

1000

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi kapcsolat

Tanulmányozza a kapcsolattartók biztonsági mentését

Tanulmányi helyek

  • Kína
    • Zhejiang
      • Hangzhou, Zhejiang, Kína, 310003
        • Toborzás
        • The Stomatologic Hospital, School of Medicine, Zhejiang University
        • Kapcsolatba lépni:
          • Yi Zhou
          • Telefonszám: 0571 87217419
        • Kapcsolatba lépni:
          • Siyao Ma
          • Telefonszám: 0571 87217419

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Igen

Mintavételi módszer

Valószínűségi minta

Tanulmányi populáció

Ez egy retrospektív tanulmány volt. A kombinált modell-előrejelzési módszer mintanagyságával azonosított szakirodalmi kutatások után megállapítottam, hogy 1000 beteg kiindulási és követési adataira van szükség.

Leírás

Bevételi kritériumok:

  • (1) 18 éves vagy annál idősebb betegek; (2) 1-5 évvel a beültetés után; (3) Beültetési nyomaték > 35N·cm; (4) Aláírt, tájékozott hozzájárulás.

Kizárási kritériumok:

  • (1) Az általános implantációs műtétek ellenjavallatai; (2) fej-nyaki sugárkezelésben részesült; (3) Múltbeli vagy jelenlegi kezelés biszfoszfonátokkal; (4) Ne működjön együtt a kérdezőbiztossal.

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A fogászati ​​implantátum átlagos csontszintje
Időkeret: 1-7 év
Az implantátum és a csont első érintkezési területe és az implantátum csúcsa közötti függőleges távolság (meziális és disztális)
1-7 év

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

The Dental Hospital of Zhejiang University School of Medicine

Nyomozók

  • Kutatásvezető: Weida Li, Stomatological Hospital Affiliated to Zhejiang University School of Medicine

Publikációk és hasznos linkek

A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.

Általános kiadványok

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2017. január 1.

Elsődleges befejezés (Becsült)

2025. december 31.

A tanulmány befejezése (Becsült)

2025. december 31.

Tanulmányi regisztráció dátumai

Először benyújtva

2023. szeptember 1.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2023. szeptember 1.

Első közzététel (Tényleges)

2023. szeptember 8.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Becsült)

2024. november 19.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2024. november 16.

Utolsó ellenőrzés

2023. szeptember 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Egyéb vizsgálati azonosító számok

  • DHZhejiangU-2022(005)

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

NEM

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Iratkozz fel