- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT07254039
AI-ondersteunde Speekseldiagnostiek met een Elektrochemisch Sensorplatform voor Parodontitisdetectie (SALIENCE) (SALIENCE)
Ontwikkeling en Validatie van een AI-gestuurd Elektrochemisch Sensorplatform voor Speekselgebaseerde Diagnostiek bij Parodontitis
Deze observationele studie heeft als doel een nieuw, AI-ondersteund elektrochemisch sensorplatform te ontwikkelen en valideren voor speekselgebaseerde diagnostiek van parodontitis. Parodontitis is een chronische ontstekingsziekte die het tandvlees en de ondersteunende weefsels van de tanden aantast. Ondanks de hoge wereldwijde prevalentie blijft vroege diagnose een uitdaging omdat de ziekte vaak geruisloos voortschrijdt totdat onomkeerbare schade is opgetreden.
Speeksel biedt een veelbelovend, niet-invasief diagnostisch medium dat zowel de mond- als de algemene gezondheid weerspiegelt. De biologische complexiteit en variabiliteit hebben het klinische gebruik echter beperkt. Dit project pakt deze uitdagingen aan door geavanceerde elektrochemische detectie te combineren met kunstmatige intelligentie (AI) en synthetische datageneratie om de diagnostische precisie en betrouwbaarheid te verbeteren.
De studie omvat de verzameling van speekselmonsters van volwassen deelnemers met gediagnosticeerde parodontitis en van gezonde controles. De monsters worden geanalyseerd met een modulair sensorplatform uitgerust met meerdere elektroden die elektrochemische signalen detecteren van een breed scala aan speekselbiomarkers. De sensorgegevens worden vervolgens verwerkt met machine learning-modellen die zijn getraind op zowel echte als synthetische data om ziektebeelden te classificeren.
De belangrijkste doelen zijn:
De prestaties van de elektrochemische sensorarray voor speekselanalyse evalueren.
AI-gebaseerde algoritmen ontwikkelen en valideren voor het detecteren en onderscheiden van gezonde en zieke monsters.
Haalbaarheidsgegevens genereren ter ondersteuning van toekomstige klinische implementatie van speekselgebaseerde diagnostiek voor parodontitis.
Dit interdisciplinaire project combineert expertise in klinische tandheelkunde, biomedische technologie en informatica. Het wordt uitgevoerd in samenwerking tussen de Linköping Universiteit en de Malmö Universiteit, waarbij patiëntbemonstering plaatsvindt in een geaffilieerde tandheelkundige kliniek.
Van de studie wordt verwacht dat deze resulteert in een werkend proof-of-concept apparaat dat real-time, niet-invasieve detectie van parodontitis mogelijk maakt op de behandelplek. Door eerdere diagnose en meer gepersonaliseerde behandeling mogelijk te maken, kan deze technologie de parodontale zorg transformeren en dienen als basis voor toekomstige speekselgebaseerde diagnostiek gericht op andere orale en systemische ziekten.
Studie Overzicht
Toestand
Gedetailleerde beschrijving
Achtergrond en Rationale Parodontitis is een chronische ontstekingsziekte die de ondersteunende weefsels van de tanden aantast en een van de meest voorkomende mondziekten wereldwijd is. Ondanks de hoge prevalentie blijft vroege diagnose een grote uitdaging, aangezien huidige diagnostische hulpmiddelen vertrouwen op retrospectieve metingen zoals pocketsdiepte, bloeding bij sonderen en radiografisch botverlies. Deze indicatoren weerspiegelen eerder weefselvernietiging dan huidige ziekteactiviteit, wat leidt tot vertraagde diagnose en behandeling.
Speeksel is een aantrekkelijke diagnostische vloeistof voor niet-invasieve, real-time ziektebewaking omdat het een complex mengsel van biomarkers bevat die zowel mond- als systeemgezondheid weerspiegelen. Echter, de biologische variabiliteit, matrixeffecten en gevoeligheid voor contaminatie hebben de betrouwbaarheid als diagnostisch medium beperkt. Om deze uitdagingen te overwinnen, integreert dit project elektrochemische sensing met kunstmatige intelligentie (AI)-gestuurde gegevensinterpretatie en synthetische gegevensgeneratie om robuuste speekselgebaseerde diagnostiek mogelijk te maken.
Studiedoelstellingen
Het algemene doel is het ontwikkelen en valideren van een AI-ondersteund elektrochemisch sensorplatform dat in staat is biochemische patronen in speeksel geassocieerd met parodontitis te detecteren. Specifieke doelstellingen zijn:
Ontwerp en optimaliseer een modulair, multi-elektrode sensorplatform voor speekselanalyse.
Ontwikkel en valideer AI-algoritmen voor real-time signaalinterpretatie en ziekteclassificatie.
Genereer haalbaarheids- en proof-of-concept gegevens voor toekomstige klinische implementatie in tandheelkundige zorg.
Studieopzet en Methoden Dit is een observationele studie waarbij speekselmonsters worden genomen van volwassen deelnemers gediagnosticeerd met parodontitis en gezonde controlesubjecten. Ongeveer 25 parodontitispatiënten en een uitgebreide controlegroep zullen worden geworven vanuit een samenwerkende tandheelkundige kliniek.
Het elektrochemische sensorplatform zal meerdere elektrodetypes omvatten (koolstof, goud, platina, palladium), elk geselecteerd voor specifieke elektrochemische en biochemische eigenschappen. De elektroden zullen een breed spectrum aan speekselbiomarkers detecteren, inclusief metabolieten gerelateerd aan ontsteking, oxidatieve stress en microbiële activiteit. Het systeem ondersteunt verschillende analytische modi, zoals differentiële pulsvoltammetrie (DPV), die hoge gevoeligheid en resolutie biedt over meerdere analyten.
Verzamelde speekselmonsters zullen eerst worden getest onder gecontroleerde laboratoriumomstandigheden om baselinesensorresponsen vast te stellen. Geselecteerde monsters zullen ook aanvullende analyses ondergaan (bijv. H-NMR, LC-MS) voor kalibratie en validatie. Sensorsignalen zullen worden verwerkt en geclassificeerd met behulp van supervised en unsupervised machine learning modellen, inclusief support vector machines en random forests. Synthetische gegevensaugmentatie, gebaseerd op generatieve modellen zoals variational autoencoders, zal worden gebruikt om datasetdiversiteit te vergroten en modelgeneralisatie te verbeteren, vooral in de vroege fase wanneer monsteraantallen beperkt zijn.
Implementatieplan Het project is georganiseerd over 24 maanden, beginnend in september 2025.
Maanden 1-4: Selectie en benchmarking van elektrodematerialen in kunstmatige en gezonde speekselmonsters.
Maanden 5-8: Assemblage van het eerste prototype met geïntegreerde AI-signaalacquisitie en veilige, GDPR-conforme gegevensoverdracht.
Maanden 9-12: Ontwikkeling van synthetische datasets en initiële training van machine learning modellen.
Maanden 9-19: Klinische speekselbemonstering en iteratieve modelverfijning met nieuwe gegevens.
Maanden 21-24: Real-world testing van het proof-of-concept systeem in een klinische setting, gegevensanalyse en verspreiding van resultaten.
Gegevensverwerking en Analyse Alle verzamelde gegevens zullen worden geanonimiseerd en verwerkt volgens GDPR en ethische normen. Sensoruitgangen zullen worden gekoppeld aan geanonimiseerde klinische metadata. Machine learning modellen zullen worden geëvalueerd op basis van classificatienauwkeurigheid, gevoeligheid, specificiteit en robuustheid tegen biologische variabiliteit. Statistische analyses zullen kruisvalidatie en prestatiebenchmarking over elektrodeconfiguraties en AI-modellen omvatten.
Verwachte Resultaten en Significante De studie zal resulteren in een functioneel proof-of-concept prototype van een AI-ondersteund speekseldiagnostisch systeem. Het platform beoogt snelle, niet-invasieve detectie van parodontitis op het punt van zorg te bieden. Indien succesvol, zal het een paradigmaverschuiving in parodontale diagnostiek vertegenwoordigen, waardoor eerdere detectie, beter gerichte interventies en verbeterde patiëntuitkomsten mogelijk worden.
Naast parodontitis maakt het modulaire ontwerp van het systeem aanpassing mogelijk voor andere ziekten, inclusief orale kanker, systemische ontsteking en metabole stoornissen. Deze flexibiliteit vergroot het langetermijnpotentieel als een schaalbare diagnostische technologie voor zowel tandheelkundige als medische toepassingen.
Ethische Overwegingen en Risicobeheer De studie is goedgekeurd door de Zweedse Ethische Toetsingsautoriteit (referentienummer: 2025-04853-01). Alle deelnemers zullen schriftelijke geïnformeerde toestemming verlenen voorafgaand aan monsterafname. De studie houdt minimaal risico in, beperkt tot het ongemak geassocieerd met speekselbemonstering. Er zullen geen experimentele behandelingen of invasieve procedures worden uitgevoerd.
Potentiële technische risico's, zoals variabiliteit in speekselmonsters of apparaatprestaties, zullen worden gemitigeerd door gestandaardiseerde bemonsteringsprotocollen en iteratieve prototypeverfijning. Het modulaire hardwareontwerp zorgt ervoor dat individuele componenten kunnen worden aangepast of vervangen zonder het algehele systeem in gevaar te brengen.
Samenwerking en Expertise Dit interdisciplinaire project brengt experts in klinische tandheelkunde, biomedische techniek en computerwetenschappen samen. De studie wordt geleid door Assoc. Prof. Shariel Sayardoust (Linköping University en Östergötland County), met medewerkers Assoc. Prof. Magnus Falk, Assoc. Prof. Julia Davies, en Dr. Erdal Akin van Malmö University. Industriële samenwerking met Redoxme AB ondersteunt hardwareprototyping en integratie.
Samen streeft het consortium ernaar de basis te leggen voor next-generation speekseldiagnostiek die AI, elektrochemische sensing en patiëntgerichte zorg combineert in de dagelijkse klinische praktijk.
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studiecontact
- Naam: Shariel Sayardoust, DDS., PhD
- Telefoonnummer: +46736564648
- E-mail: shariel.sayardoust@regionostergotland.se
Studie Contact Back-up
- Naam: Magnus Falk, PhD
- Telefoonnummer: +460703857476
- E-mail: magnus.falk@mau.se
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
Volwassenen ≥18 jaar.
In staat en bereid om schriftelijke geïnformeerde toestemming te verlenen.
Vermogen om een ongestimuleerd geheel speekselmonster te verstrekken volgens protocol (geen voedsel, drank, kauwgom, tandenpoetsen of roken binnen 60 minuten voorafgaand aan de bemonstering).
Parodontitisgroep: Klinische diagnose van parodontitis volgens 2018 AAP/EFP-criteria (bijv. interdentale CAL ≥3 mm op ≥2 niet-aangrenzende tanden met radiografisch botverlies; pocketsondediepte ≥4 mm in ≥2 tanden).
Gezonde controlegroep: Geen klinische tekenen van parodontale ziekte (geen pocketsondediepten >3 mm, bloeding bij sonderen <10%, en geen radiografisch botverlies).
Exclusiecriteria:
Systemische antibiotica of systemische ontstekingsremmende/immunosuppressieve therapie in de afgelopen 3 maanden.
Parodontale behandeling (scaling/wortelplaning of chirurgie) in de afgelopen 6 maanden.
Huidige acute orale infectie of abces.
Systemische aandoeningen waarvan bekend is dat ze de speekselsamenstelling/stroom aanzienlijk veranderen (bijv. syndroom van Sjögren, eerdere hoofd-halsbestraling, lopende chemotherapie, ongecontroleerde diabetes).
Gebruik van sterk xerogene medicatie niet op een stabiele dosis ≥4 weken, of klinisch significante hyposalivatie die bemonstering verhindert.
Onvermogen om aan de bemonsteringsprocedures te voldoen (bijv. kan zich niet onthouden van voedsel/drank/tabak gedurende 60 minuten voorafgaand aan bemonstering).
Zwangerschap of borstvoeding.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
|---|
|
Parodontitis Groep
Volwassenen bij wie parodontitis is vastgesteld op basis van klinische criteria.
|
|
Gezonde Controlegroep
Volwassenen zonder klinische tekenen van parodontale aandoening.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Gevoeligheid en Specificiteit van de AI-gestuurde Elektrochemische Speekselsensor voor het Detecteren van Parodontitis
Tijdsspanne: Binnen 24 maanden na de start van de studie (einde van gegevensverzameling en analyse).
|
Deze uitkomst beoordeelt de diagnostische nauwkeurigheid van het AI-gestelde elektrochemische sensorplatform door het berekenen van gevoeligheid, specificiteit, positief voorspellende waarde (PPV), negatief voorspellende waarde (NPV) en het gebied onder de receiver operating characteristic-curve (AUC). Het platform analyseert elektrochemische signaalpatronen in speekselmonsters, en een op AI gebaseerd classificatiemodel voorspelt of deelnemers parodontitis hebben.<\/p> De klinische parodontale status (parodontitis versus parodontale gezondheid) wordt vastgesteld met behulp van een volledig mondonderzoek volgens de classificatiecriteria van de Wereldworkshop 2017. De diagnostische nauwkeurigheidsmetingen van het sensorplatform worden vergeleken met deze klinische gouden standaard.<\/p> |
Binnen 24 maanden na de start van de studie (einde van gegevensverzameling en analyse).
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Herhaalbaarheid binnen de meting van elektrochemische speekselsensor signalen (variatiecoëfficiënt)
Tijdsspanne: Gemeten gedurende de volledige 24-maanden durende studieperiode.
|
Dit resultaat zal de herhaalbaarheid binnen een reeks beoordelen van de elektrochemische signaalmetingen die worden gegenereerd door de sensorarray bij het analyseren van speekselmonsters.
Herhaalbaarheid zal worden gekwantificeerd met behulp van de variatiecoëfficiënt (CV%) berekend uit meerdere opeenvolgende metingen van hetzelfde speekselmonster onder gestandaardiseerde laboratoriumomstandigheden.
|
Gemeten gedurende de volledige 24-maanden durende studieperiode.
|
|
Correlatie tussen sensoruitgangen en biochemische referentieanalyses
Tijdsspanne: 24 maanden
|
Om de correlatie tussen elektrochemische sensorresponses en conventionele biochemische of moleculaire referentiemethoden (bijv. LC-MS, H-NMR) te evalueren voor de validatie van analytische nauwkeurigheid.
|
24 maanden
|
|
System Usability Scale (SUS) Score voor Klinisch Gebruik van het AI-ondersteunde Speekselsensorplatform
Tijdsspanne: 24 maanden
|
De haalbaarheid van klinische implementatie zal worden geëvalueerd met behulp van de System Usability Scale (SUS), een gevalideerde vragenlijst van 10 items die een algemene bruikbaarheidsscore van 0 tot 100 oplevert. De SUS-score zal de waargenomen bruikbaarheid, leerbaarheid en integratie in de dentale werkstroom beoordelen bij klinisch personeel dat gebruikmaakt van het AI-gesteunde speekselsensorplatform. Hogere scores duiden op betere bruikbaarheid en haalbaarheid voor routinematige klinische implementatie. De SUS-score wordt samengevat met behulp van gemiddelde en standaarddeviatie. |
24 maanden
|
Medewerkers en onderzoekers
Studie record data
Bestudeer belangrijke data
Studie start (Geschat)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- SALIENCE2025
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
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 .