Development and Validation of a Deep Learning Model to Predict Endodontic Retreatment Difficulty From Periapical Radiographs (Ai Retreatment)
20 maggio 2026 aggiornato da: 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.
Panoramica dello studio
Stato
Non ancora reclutamento
Condizioni
Tipo di studio
Interventistico
Iscrizione (Stimato)
123
Fase
- Non applicabile
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Contatto studio
- Nome: Noha El Saber, PhD student
- Numero di telefono: +201157157197
- Email: nohaalsaber@dentistry.cu.edu.eg
Criteri di partecipazione
I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
No
Descrizione
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
Piano di studio
Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.
Come è strutturato lo studio?
Dettagli di progettazione
- Scopo principale: Diagnostico
- Assegnazione: N / A
- Modello interventistico: Assegnazione di gruppo singolo
- Mascheramento: Nessuno (etichetta aperta)
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
|---|---|
|
Sperimentale: 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.
Altri nomi:
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
diagnostic accuracy
Lasso di tempo: 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
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Studiare le date dei record
Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.
Studia le date principali
Inizio studio (Stimato)
1 luglio 2026
Completamento primario (Stimato)
1 gennaio 2027
Completamento dello studio (Stimato)
1 gennaio 2027
Date di iscrizione allo studio
Primo inviato
14 maggio 2026
Primo inviato che soddisfa i criteri di controllo qualità
20 maggio 2026
Primo Inserito (Effettivo)
28 maggio 2026
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
28 maggio 2026
Ultimo aggiornamento inviato che soddisfa i criteri QC
20 maggio 2026
Ultimo verificato
1 maggio 2026
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Altri numeri di identificazione dello studio
- newendo7.1.1
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
INDECISO
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .