Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Dynamisk oppfølging av faktorer som påvirker implantatsuksess og modeller for å forutsi implantatresultater

16. november 2024 oppdatert av: Yi Zhou, The Dental Hospital of Zhejiang University School of Medicine
I dag har kunstig intelligensteknologi med maskinlæring som hovedmiddel i økende grad blitt brukt på det orale feltet, og har spilt en stadig viktigere rolle i undersøkelse, diagnostisering, behandling og prognosevurdering av orale sykdommer. Blant dem er maskinlæring en viktig gren av kunstig intelligens, som refererer til systemet som lærer spesifikke statistiske mønstre i et gitt datasett for å forutsi oppførselen til nye dataprøver [8]. Maskinlæring er delt inn i to hovedkategorier: veiledet læring og uovervåket læring. Hvorvidt det er tilsyn avhenger av om dataene som legges inn er merket eller ikke. Hvis inndataene er merket, er det overvåket læring. Umerket læring er uten tilsyn. Overvåket læring er en slags læringsalgoritme når riktig utgang av datasettet er kjent. Fordi input og output er kjent, betyr det at det er en sammenheng mellom input og output, og den veiledede læringsalgoritmen skal oppdage og oppsummere denne "relasjonen". Uovervåket læring refererer til en klasse med læringsalgoritmer for umerkede data. Fraværet av etikettinformasjon betyr at mønstre eller strukturer må oppdages og oppsummeres fra datasettet.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Med utgangspunkt i forskjellige datatyper, bygde forskere en rekke modeller for å utvinne selve dataene og forutsi prognosen for implantatet. Maskinlæring er ofte mer imponerende og intuitivt når det gjelder bilder. Innenfor oral implantologi analyserer forskere preoperativ bildedata basert på maskinlæring for å identifisere viktige anatomiske strukturer (som maxillary sinus, mandibular neural tube, etc.) og analysere alveolar beinkvalitet. Storskala bildedata brukes også for å identifisere de forskjellige implantatsystemene på markedet. Maskinlæring spiller også en viktig rolle i utviklingen av planer for implantatkirurgi, noe som bidrar til mer nøyaktig og effektiv implantasjonskirurgi. Evalueringen av implantatretensjonshastighet og individuelle bennivåer er også en av de viktigste kliniske bekymringene. De fleste metodene for å studere slike problemstillinger er: Kaplan-Meier overlevelsesanalyse, Cox overlevelsesanalyse, etc., for å studere implantatretensjonshastighet og påvirkningsfaktorer. Lineær (blandet) modell og multippel logistisk regresjon ble brukt for å studere endringene og påvirkningsfaktorene for beinabsorpsjon ved implantatkanten. Men i daglig klinisk praksis kan det være noen praktiske problemer som tapt oppfølging og manglende data. Etter hvert som de kliniske scenariene for forskning blir mer og mer tydelige, fører selv manglende data ofte til resultater som ikke kan evalueres og forutsies nøyaktig. Derfor, når det gjelder veiledet læring, har denne studien som mål å etablere en prediktiv modell for endring av implantatbennivå og evaluere nøyaktigheten av modellen gjennom maskinlæring av implantatkantbennivå (MBL) med store datamengder. Når det gjelder uovervåket læring, er målet å identifisere følsomhetsfenotyper for implantatsvikt gjennom: gruppering av individrelatert informasjon om implantater.

Studietype

Observasjonsmessig

Registrering (Antatt)

1000

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studer Kontakt Backup

Studiesteder

  • Kina
    • Zhejiang
      • Hangzhou, Zhejiang, Kina, 310003
        • Rekruttering
        • The Stomatologic Hospital, School of Medicine, Zhejiang University
        • Ta kontakt med:
          • Yi Zhou
          • Telefonnummer: 0571 87217419
        • Ta kontakt med:
          • Siyao Ma
          • Telefonnummer: 0571 87217419

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Ja

Prøvetakingsmetode

Sannsynlighetsprøve

Studiepopulasjon

Dette var en retrospektiv studie. Etter å ha søkt i litteraturen identifisert av utvalgsstørrelsen til den kombinerte modellprediksjonsmetoden, ble det bestemt at innledende data og oppfølgingsdata fra 1000 pasienter var nødvendig.

Beskrivelse

Inklusjonskriterier:

  • (1) Pasienter i alderen 18 år og eldre; (2) 1-5 år etter implantasjon; (3) Implantasjonsmoment > 35N·cm; (4) Signert informert samtykke.

Ekskluderingskriterier:

  • (1) Kontraindikasjoner for generell implantasjonskirurgi; (2) har mottatt strålebehandling for hode og nakke; (3) Tidligere eller nåværende behandling med bisfosfonater; (4) Ikke samarbeid med intervjueren.

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Gjennomsnittlig bennivå av tannimplantat
Tidsramme: 1-7 år
Den vertikale avstanden mellom implantatet og det første kontaktområdet til beinet og tuppen av implantatet (mesial og distal)
1-7 år

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

The Dental Hospital of Zhejiang University School of Medicine

Etterforskere

  • Hovedetterforsker: Weida Li, Stomatological Hospital Affiliated to Zhejiang University School of Medicine

Publikasjoner og nyttige lenker

Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.

Generelle publikasjoner

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

1. januar 2017

Primær fullføring (Antatt)

31. desember 2025

Studiet fullført (Antatt)

31. desember 2025

Datoer for studieregistrering

Først innsendt

1. september 2023

Først innsendt som oppfylte QC-kriteriene

1. september 2023

Først lagt ut (Faktiske)

8. september 2023

Oppdateringer av studieposter

Sist oppdatering lagt ut (Antatt)

19. november 2024

Siste oppdatering sendt inn som oppfylte QC-kriteriene

16. november 2024

Sist bekreftet

1. september 2023

Mer informasjon

Begreper knyttet til denne studien

Andre studie-ID-numre

  • DHZhejiangU-2022(005)

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .

Kliniske studier på Implantatstedsreaksjon

Kliniske studier på Ingen inngrep

Søk i lignende forsøk

Sponsorer og samarbeidspartnere

Medisinsk tilstand

Legemiddelintervensjoner

CROs by country

CROs in Greece

Forhold

Sjeldne sykdommer

Legemiddelintervensjoner

Kosttilskudd

Sponsor / samarbeidspartnere

Steder

Abonnere