AI支援唾液診断:歯周病検出のための電気化学センサープラットフォームの使用(SALIENCE) (SALIENCE)
歯周病における唾液診断のためのAI支援電気化学センサープラットフォームの開発と検証
この観察研究は、歯周炎における唾液ベースの診断のための、新しいAI支援電気化学センサープラットフォームを開発し検証することを目的としています。 歯周炎は、歯肉と歯の支持組織に影響を及ぼす慢性炎症性疾患です。 世界的に高い有病率にもかかわらず、この疾患は不可逆的な損傷が生じるまでしばしば無症状で進行するため、早期診断は依然として困難です。
唾液は、口腔および全身の健康の両方を反映する、有望な非侵襲的な診断媒体です。 しかし、その生物学的複雑さと変動性により、臨床での使用は制限されてきました。 このプロジェクトは、高度な電気化学センシングと人工知能(AI)および合成データ生成を組み合わせることで、診断精度と信頼性を向上させ、これらの課題に対処します。
この研究は、診断された歯周炎を有する成人参加者および健康な対照群からの唾液サンプルの収集を含みます。 サンプルは、幅広い唾液バイオマーカーからの電気化学的信号を検出する複数の電極を備えたモジュラー式センサープラットフォームを使用して分析されます。 センサーデータは、実データと合成データの両方で訓練された機械学習モデルを使用して処理され、疾患状態を分類します。
主な目標は次のとおりです:
唾液分析のための電気化学センサーアレイの性能を評価すること。
健康なサンプルと疾患サンプルを検出および区別するためのAIベースのアルゴリズムを開発し検証すること。
歯周炎の唾液ベース診断の将来の臨床実施を支持する実現可能性データを生成すること。
この学際的プロジェクトは、臨床歯学、生体医用工学、およびコンピュータサイエンスの専門知識を組み合わせています。 リンシェーピング大学とマルメ大学の共同研究として実施され、患者サンプリングは提携歯科診療所で行われます。
この研究は、ポイントオブケアで歯周炎のリアルタイムかつ非侵襲的な検出を可能にする、動作可能な概念実証デバイスをもたらすことが期待されています。 より早期の診断と個別化された治療を可能にすることで、この技術は歯周治療を変革し、他の口腔および全身疾患を対象とした将来の唾液ベース診断の基盤として機能する可能性があります。
調査の概要
状態
詳細な説明
背景と根拠 歯周病は歯の支持組織に影響を及ぼす慢性炎症性疾患であり、世界で最も有病率の高い口腔疾患の一つです。 高い有病率にもかかわらず、早期診断は依然として大きな課題であり、現在の診断ツールはポケット深さ、プロービング時の出血、X線写真による骨吸収などの回顧的測定値に依存しています。 これらの指標は現在の疾患活動性ではなく過去の組織破壊を反映するため、診断と治療の遅れにつながります。
唾液は、口腔および全身の健康状態の両方を反映するバイオマーカーの複雑な混合物を含むため、非侵襲的でリアルタイムな疾患モニタリングのための魅力的な診断液です。 しかし、その生物学的変動性、マトリックス効果、および汚染への感受性により、診断媒体としての信頼性が制限されています。 これらの課題を克服するため、本プロジェクトは電気化学センシングと人工知能(AI)駆動のデータ解釈および合成データ生成を統合し、堅牢な唾液ベースの診断を実現します。
研究目的
全体目的は、歯周病に関連する唾液中の生化学的パターンを検出可能なAI支援電気化学センサープラットフォームを開発し検証することです。 具体的な目的は以下の通りです:
唾液分析のためのモジュラー式多電極センサープラットフォームの設計と最適化。
リアルタイム信号解釈と疾患分類のためのAIアルゴリズムの開発と検証。
歯科医療における将来の臨床実施のための実現可能性および概念実証データの生成。
研究デザインと方法 これは、歯周病と診断された成人参加者および健康な対照被験者からの唾液サンプリングを含む観察研究です。 協力歯科医院から約25名の歯周病患者および拡大対照群を募集します。
電気化学センサープラットフォームには、特定の電気化学的および生化学的特性のために選択された複数の電極タイプ(カーボン、金、白金、パラジウム)が含まれます。 電極は、炎症、酸化ストレス、微生物活性に関連する代謝産物を含む、広範な唾液バイオマーカーを検出します。 このシステムは、複数の分析物にわたって高感度と高分解能を提供する微分パルスボルタンメトリー(DPV)などのいくつかの分析モードをサポートします。
収集された唾液サンプルは、最初に制御された実験室条件下でテストされ、基準センサー応答を確立します。 選択されたサンプルは、較正と検証のために補完的分析(例:H-NMR、LC-MS)も受けます。 センサー信号は、サポートベクターマシンやランダムフォレストを含む教師ありおよび教師なし機械学習モデルを使用して処理および分類されます。 変分オートエンコーダーなどの生成モデルに基づく合成データ拡張は、特にサンプル数が限られている初期段階において、データセットの多様性を増やしモデルの一般化を改善するために使用されます。
実施計画 プロジェクトは2025年9月に開始し、24か月間にわたって組織されます。
1-4か月目:人工および健康唾液サンプルにおける電極材料の選択とベンチマーキング。
5-8か月目:統合AI信号取得および安全でGDPR準拠のデータ送信を備えた最初のプロトタイプの組み立て。
9-12か月目:合成データセットの開発および機械学習モデルの初期トレーニング。
9-19か月目:臨床唾液サンプリングおよび新規データを使用した反復的モデル改良。
21-24か月目:臨床環境での概念実証システムの実世界テスト、データ分析、および結果の普及。
データ処理と分析 収集されたすべてのデータは、GDPRおよび倫理基準に従って匿名化および処理されます。 センサー出力は匿名化された臨床メタデータにリンクされます。 機械学習モデルは、分類精度、感度、特異度、および生物学的変動性に対する堅牢性に基づいて評価されます。 統計分析には、電極構成およびAIモデル全体での交差検証および性能ベンチマーキングが含まれます。
期待される成果と意義 本研究は、AI支援唾液診断システムの機能的な概念実証プロトタイプをもたらします。 このプラットフォームは、ポイントオブケアでの歯周病の迅速かつ非侵襲的な検出を提供することを目指しています。 成功すれば、歯周病診断におけるパラダイムシフトを表し、早期検出、より適切な介入、および改善された患者転帰を可能にします。
歯周病を超えて、システムのモジュラー設計は、口腔癌、全身性炎症、代謝疾患を含む他の疾患への適応を可能にします。 この柔軟性は、歯科および医療応用の両方におけるスケーラブルな診断技術としての長期的可能性を高めます。
倫理的配慮とリスク管理 本研究はスウェーデン倫理審査委員会(参照番号:2025-04853-01)によって承認されています。 すべての参加者は、サンプル収集前に書面によるインフォームドコンセントを提供します。 本研究は、唾液サンプリングに関連する不快感に限定される最小限のリスクを伴います。 実験的治療または侵襲的処置は行われません。
唾液サンプルの変動性やデバイス性能などの潜在的な技術的リスクは、標準化されたサンプリングプロトコルおよび反復的プロトタイプ改良を通じて軽減されます。 モジュラーハードウェア設計により、個々のコンポーネントを全体システムを損なうことなく調整または交換できます。
協力と専門知識 この学際的プロジェクトは、臨床歯学、生体医工学、コンピュータサイエンスの専門家を集結させます。 本研究は、Assoc. Prof. Shariel Sayardoust(リンショーピング大学およびエステルイェートランド県)が主導し、Assoc. Prof. Magnus Falk、Assoc. Prof. Julia Davies、およびマルメ大学のDr. Erdal Akinが協力者です。 Redoxme ABとの産業協力は、ハードウェアプロトタイピングと統合を支援します。
コンソーシアムは、日常臨床実践においてAI、電気化学センシング、患者中心医療を組み合わせた次世代唾液診断の基盤を確立することを目指します。
研究の種類
入学 (推定)
連絡先と場所
研究連絡先
- 名前:Shariel Sayardoust, DDS., PhD
- 電話番号:+46736564648
- メール:shariel.sayardoust@regionostergotland.se
研究連絡先のバックアップ
- 名前:Magnus Falk, PhD
- 電話番号:+460703857476
- メール:magnus.falk@mau.se
参加基準
適格基準
就学可能な年齢
- 大人
- 高齢者
健康ボランティアの受け入れ
サンプリング方法
調査対象母集団
説明
参加基準:
18歳以上の成人。
書面によるインフォームドコンセントを提供する能力と意思があること。
プロトコルに従って非刺激全唾液サンプルを提供できること(サンプリング前60分以内に食事、飲料、ガム、歯磨き、喫煙がないこと)。
歯周炎群:2018年AAP/EFP基準に基づく歯周炎の臨床診断(例:3mm以上の隣接面付着喪失が2本以上の非隣接歯に認められ、かつX線像で骨吸収が認められる;4mm以上のプロービングポケット深度が2本以上の歯に認められる)。
健康対照群:歯周疾患の臨床徴候がないこと(3mmを超えるプロービング深度がない、プロービング時の出血が10%未満、X線像で骨吸収がない)。
除外基準:
過去3か月以内の全身性抗菌薬または全身性抗炎症/免疫抑制療法の使用。
過去6か月以内の歯周治療(スケーリング/ルートプレーニングまたは外科的処置)。
現在の急性口腔感染症または膿瘍。
唾液組成/流量を著しく変化させることが知られている全身性疾患(例:シェーグレン症候群、頭頸部放射線治療歴、進行中の化学療法、管理不良の糖尿病)。
強力な口腔乾燥作用を有する薬剤の使用で安定した用量で4週間以上経過していない場合、またはサンプリングを妨げる臨床的に有意な唾液分泌低下。
サンプリング手順に従えないこと(例:サンプリング前60分間の食事/飲料/タバコの制限ができない)。
妊娠中または授乳中。
研究計画
研究はどのように設計されていますか?
デザインの詳細
コホートと介入
グループ/コホート |
|---|
|
歯周炎グループ
臨床基準に基づいて歯周炎と診断された成人。
|
|
健康対照群
歯周疾患の臨床症状がない成人。
|
この研究は何を測定していますか?
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
AI支援電気化学唾液センサーによる歯周病検出の感度と特異度
時間枠:研究開始から24か月以内(データ収集及び分析の終了時)。
|
このアウトカムは、感度、特異度、陽性適中率(PPV)、陰性適中率(NPV)、および受信者操作特性曲線下面積(AUC)を計算することにより、AI支援電気化学センサープラットフォームの診断精度を評価します。 プラットフォームは唾液サンプルの電気化学信号パターンを分析し、AIベースの分類モデルが参加者が歯周炎を有するかどうかを予測します。 臨床的歯周状態(歯周炎対歯周健康)は、2017年世界ワークショップ分類基準に従った全口臨床検査を使用して確立されます。 センサープラットフォームからの診断精度指標は、この臨床ゴールドスタンダードと比較されます。 |
研究開始から24か月以内(データ収集及び分析の終了時)。
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
電気化学的唾液センサー信号のランド内再現性(変動係数)
時間枠:24ヶ月の研究期間を通じて測定されました。
|
この結果は、唾液サンプルを分析する際にセンサーアレイが生成する電気化学的信号測定の同一ラン内の再現性を評価します。
再現性は、標準化された実験室条件下で同一の唾液サンプルに対する複数の連続測定から計算される変動係数(CV%)を用いて定量化されます。
|
24ヶ月の研究期間を通じて測定されました。
|
|
センサー出力と生化学的参照分析の相関関係
時間枠:24ヵ月
|
電気化学センサーの応答と従来の生化学的または分子参照法(例:LC-MS、H-NMR)との相関を評価し、分析精度の検証を行う。
|
24ヵ月
|
|
AI補助唾液センサープラットフォームの臨床使用におけるシステムユーザビリティスケール(SUS)スコア
時間枠:24ヶ月
|
臨床導入の実現可能性は、システムユーザビリティスケール(SUS)を使用して評価されます。これは、0から100までのグローバルなユーザビリティスコアを提供する検証済みの10項目のアンケートです。 SUSスコアは、AI支援唾液センサープラットフォームを使用する臨床スタッフの間での知覚されたユーザビリティ、学習容易性、および歯科ワークフローへの統合を評価します。 より高いスコアは、日常的な臨床導入のためのより良いユーザビリティと実現可能性を示します。 SUSスコアは、平均値と標準偏差を使用して要約されます。 |
24ヶ月
|
協力者と研究者
研究記録日
主要日程の研究
研究開始 (推定)
一次修了 (推定)
研究の完了 (推定)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (実際)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。