Komparativ nøyaktighet av AI-modeller og klinisk vurdering for påvisning av tannplakk hos barn

Studietittel:

Nøyaktighet av dental plakkdeteksjon fra intraorale bilder ved bruk av forskjellige kunstig intelligensmodeller versus klinisk vurdering blant en gruppe barn: en diagnostisk nøyaktighetsstudie

Studieoversikt:

Denne observasjonsdiagnostiske nøyaktighetsstudien er designet for å evaluere ytelsen til flere kunstig intelligens (AI)-modeller for å oppdage tannplakk fra intraorale bilder, sammenlignet med tradisjonelle kliniske vurderinger utført av kvalifiserte tannleger. Hovedfokuset er på pediatriske pasienter, da tidlig oppdagelse og behandling av tannplakk er avgjørende for å opprettholde oral helse hos barn.

Bakgrunn og begrunnelse:

Tannplakk er en biofilm som dannes på tennene og kan føre til karies og periodontal sykdom hvis den ikke behandles riktig. Tradisjonelle metoder for plakkdeteksjon er avhengige av visuelle vurderinger fra tannlege, som kan være subjektive og kan variere i nøyaktighet. Nylige fremskritt innen kunstig intelligens og bildebehandling gir en mulighet til å forbedre deteksjon og kvantifisering av tannplakk gjennom intraorale bilder, noe som potensielt kan gi et mer objektivt og effektivt vurderingsverktøy.

Mål:

For å sammenligne nøyaktigheten til AI-modeller for å oppdage tannplakk mot kliniske vurderinger.

For å bestemme sensitiviteten, spesifisiteten og den generelle diagnostiske ytelsen til AI-teknologiene.

Å analysere potensialet for at AI-modeller kan integreres i rutinemessige tannundersøkelser for pediatriske pasienter.

Metodikk:

Deltakere: Et utvalg av pediatriske pasienter vil bli rekruttert, noe som sikrer en mangfoldig representasjon av ulike demografiske og tannhelsestatuser.

Bildeanskaffelse: Intraorale bilder vil bli tatt med standardiserte bildeprotokoller for å sikre konsistens. Høyoppløselige bilder vil bli oppnådd under kontrollerte forhold for å minimere variasjonen.

AI-modeller: Ulike AI-algoritmer, inkludert konvolusjonelle nevrale nettverk (CNN) og dyplæringsteknikker, vil bli trent ved å bruke et datasett med kommenterte intraorale bilder. Disse modellene vil bli evaluert basert på deres evne til å identifisere og kvantifisere tannplakk.

Klinisk vurdering: Trente tannleger vil utføre kliniske undersøkelser ved å bruke standard plakkindekser for å vurdere tilstedeværelsen og alvorlighetsgraden av tannplakk i den samme kohorten av barn.

Dataanalyse: Statistiske metoder vil bli brukt for å sammenligne den diagnostiske nøyaktigheten til AI-modeller med kliniske vurderinger, inkludert beregninger av sensitivitet, spesifisitet, positiv prediktiv verdi og negativ prediktiv verdi.

Forventede resultater:

Studien tar sikte på å belyse rollen til AI i å forbedre påvisningen av tannplakk hos barn, noe som potensielt kan føre til forbedret forebyggende omsorg og behandlingsstrategier. Funnene kan også bidra til utvikling av AI-assisterte verktøy for tannleger.

Etiske hensyn:

Denne studien vil følge etiske retningslinjer, og sikre at informert samtykke innhentes fra juridiske foresatte for pediatriske deltakere. Godkjenning fra den relevante institusjonelle vurderingskomiteen (IRB) vil bli sikret før studiestart