Development and Validation of a Deep Learning Model to Predict Endodontic Retreatment Difficulty From Periapical Radiographs (Ai Retreatment)
2026. május 20. frissítette: 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.
A tanulmány áttekintése
Állapot
Még nincs toborzás
Körülmények
Tanulmány típusa
Beavatkozó
Beiratkozás (Becsült)
123
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi kapcsolat
- Név: Noha El Saber, PhD student
- Telefonszám: +201157157197
- E-mail: nohaalsaber@dentistry.cu.edu.eg
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
- Gyermek
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Nem
Leírás
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
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Diagnosztikai
- Kiosztás: N/A
- Beavatkozó modell: Egyetlen csoportos hozzárendelés
- Maszkolás: Nincs (Open Label)
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Kísérleti: 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.
Más nevek:
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
diagnostic accuracy
Időkeret: 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
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Szponzor
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 (Becsült)
2026. július 1.
Elsődleges befejezés (Becsült)
2027. január 1.
A tanulmány befejezése (Becsült)
2027. január 1.
Tanulmányi regisztráció dátumai
Először benyújtva
2026. május 14.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2026. május 20.
Első közzététel (Tényleges)
2026. május 28.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2026. május 28.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2026. május 20.
Utolsó ellenőrzés
2026. május 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
Egyéb vizsgálati azonosító számok
- newendo7.1.1
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
ELDÖNTETLEN
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. .