Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Detectie van periapicale laesies op tandheelkundige panoramische röntgenfoto's op basis van kunstmatige intelligentie (OPTITOMO)

20 juni 2026 bijgewerkt door: Centre Hospitalier Régional Metz-Thionville

Detectie van periapicale laesies op tandheelkundige panoramische beelden op basis van kunstmatige intelligentie met behulp van cone beam computertomografie

Tandperiapicale schade kan verschillende oorzaken hebben en wordt weerspiegeld door een radiolucente laesie op complementaire beeldvorming: gehoekte retro-alveolaire (RA) röntgenfoto's, tandheelkundige panoramische röntgenfoto's en driedimensionale beeldvorming zoals computertomografie (CT) of cone-beam computertomografie ( CBCT).

Voor de radiografische detectie van deze diepe parodontale laesies, vertegenwoordigt het tandpanorama een eerste benadering die gewoonlijk wordt uitgevoerd met een relatief lage straling. Het onderzoek kan worden gevolgd door retroalveolaire radiologische beeldvorming die meer gelokaliseerd en nauwkeuriger is. Door deze technieken te gebruiken, zijn de detectiepercentages van deze laesies echter laag (respectievelijk 20% en 36%). Het is noodzakelijk om driedimensionaal tomografisch onderzoek te gebruiken om meer onderscheidend te zijn (69%). De gouden standaardbeeldvorming voor detectie van deze laesies is CBCT gevolgd door retroalveolaire radiografie (~2x minder gevoelig dan CBCT) en panoramische radiografie (~2x minder gevoelig dan RA). Hoewel het geen röntgenfoto van volledige dikte is, heeft het tandpanorama het voordeel dat het vaker wordt uitgevoerd terwijl het minder uitstraalt dan CBCT en een globaal beeld geeft van de tandbogen op een enkel beeld.

De detectie van periapicale laesies gebeurt na een klinische beoordeling en een visuele beoordeling van de aanvullende onderzoeken.

Het doel van dit project is de detectie van periapicale laesies te verbeteren door een algoritme te ontwikkelen dat ze op een panoramische tandheelkundige röntgenfoto kan identificeren. Dit algoritme is gebaseerd op een deep learning-systeem dat is getraind met referentiegegevens, waaronder panoramische tandheelkundige beeldvorming en CBCT met een acquisitie-interval van minder dan 3 maanden. Het model is gebaseerd op eerder werk en zal de kwaliteit van de initiële gegevens verbeteren (met behulp van CBCT), met behulp van innovatieve kunstmatige intelligentie-algoritmen (transfer learning).

Studie Overzicht

Toestand

Werving

Conditie

Gedetailleerde beschrijving

Het uiteindelijke doel van het onderzoek is om de vroege diagnose van periapicale laesies te verbeteren, wat een betere en snellere zorg voor deze laesies mogelijk zou maken, namelijk in de vroege stadia. Dit vertegenwoordigt een groot belang voor de volksgezondheid, aangezien deze laesies verantwoordelijk kunnen zijn voor meerdere lokale en regionale pathologieën (osteomyelitis, cervico-faciale cellulitis, tromboflebitis, cerebrale abcessen...) nierziekten, tendinopathieën...). Voor bepaalde doelgroepen, zoals militairen en topsporters, zou dit onderzoek het mogelijk maken om de beoordeling voorafgaand aan medische geschiktheid of clubtransfer te verbeteren.

Studietype

Observationeel

Inschrijving (Geschat)

2000

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studiecontact

Studie Locaties

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

NVT

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Patiënten met periapicale laesies

Beschrijving

Inclusiecriteria:

  • Patiënten die CBCT en panoramische tandheelkundige beeldvorming hebben gehad met minder dan 3 maanden tussen de twee onderzoeken

Uitsluitingscriteria:

  • Patiënten die weigerden deel te nemen aan het onderzoek.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Prestaties van software voor kunstmatige intelligentie
Tijdsspanne: 2 jaar

meting van de F1-score. De F1-score wordt berekend als het harmonische gemiddelde van de precisie- en herinneringsscores.

Het varieert van 0-100%, en een hogere F1-score geeft een classificator van betere kwaliteit aan.
2 jaar

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Specificiteit van software voor kunstmatige intelligentie
Tijdsspanne: 2 jaar
meting van de echte positieven, echte negatieven, valse positieven, valse negatieven
2 jaar

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Centre Hospitalier Régional Metz-Thionville

Onderzoekers

  • Hoofdonderzoeker: Marc ENGELS-DEUTSCH, MD, CHR Metz Thionville Hopital de Mercy
  • Studie stoel: Paul RETIF, MD, PhD, CHR Metz Thionville Hopital de Mercy

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

1 oktober 2022

Primaire voltooiing (Geschat)

1 december 2027

Studie voltooiing (Geschat)

1 december 2027

Studieregistratiedata

Eerst ingediend

25 mei 2023

Eerst ingediend dat voldeed aan de QC-criteria

25 mei 2023

Eerst geplaatst (Werkelijk)

5 juni 2023

Updates van studierecords

Laatste update geplaatst (Werkelijk)

24 juni 2026

Laatste update ingediend die voldeed aan QC-criteria

20 juni 2026

Laatst geverifieerd

1 juni 2026

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 2023-04Obs-CHRMT

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Abonneren