Deteksjon av proksimal karies i bitewing-radiografi ved bruk av kunstig intelligens
4. februar 2026 oppdatert av: Rawda Hesham Abd ElAziz, Cairo University
Deteksjon av proksimal karies i bitewing radiografi ved bruk av kunstig intelligens - en diagnostisk klinisk studie
Ved hjelp av en sekvens av bitewing-røntgenbilder, hjelper kunstig intelligens med å identifisere interproksimale karies.
For identifikasjon av tannkaries i bitewing-, periapikale og panoramarøntgenbilder, vil et trent dyp læringsnettverk bli opprettet. Denne studien hadde som mål å undersøke påliteligheten til en ny kunstig intelligens-modell basert på dyp læring i deteksjon av proksimal karies ved bruk av digitale bitewing-røntgenbilder.
(BW).
Studieoversikt
Status
Fullført
Forhold
Studietype
Observasjonsmessig
Registrering (Faktiske)
2000
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
-
Cairo, Egypt, 11331
- Ain Shams University
-
-
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
Ikke-sannsynlighetsprøve
Studiepopulasjon
Pasienter som besøker tannklinikkens poliklinikk og som trenger bitewing-røntgenundersøkelse for rutinemessig diagnostisering eller behandlingsplanlegging.
Beskrivelse
Inklusjonskriterier:
- Pasienter med alle permanente forjeksler og jeksler (maksimum én tann mangler på hver side)
Eksklusjonskriterier:
- 1-Tannanomalier → Amelogenese imperfecta, Dentinogenese imperfecta, taurodontisme 2-Alvorlig tetthet som hindrer visualisering av tannkontakter 3-Ortodontiske tråder festet til tannens emalje
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Gruppe 1 Kunstig intelligens Dyp læring som brukes i diagnostisering av proksimal karies
|
Kunstig intelligens ble brukt som et dyp-læringsdiagnostisk verktøy for å oppdage proximale karies på digitale bitewing-røntgenbilder.
Systemet analyserte bilder og genererte sannsynlighetsskår og visuelle markører for mistenkte lesjoner.
Dets ytelse ble sammenlignet med ekspertundersøkerdiagnoser som referansestandard.
AI-resultater ble brukt kun for evaluering og påvirket ikke pasientbehandlingsbeslutninger.
|
|
Gruppe 2: Digital biteving manuelt annotert av menneskelige eksperter
|
Digitale bitewing-røntgenbilder ble manuelt merket av kalibrerte humane eksperter for å identifisere tilstedeværelsen og plasseringen av proximale karies.
Merkinger ble utført ved hjelp av standardiserte diagnostiske kriterier og dedikert bildebehandlingsprogramvare for å markere mistenkte lesjoner.
Disse ekspertmerkene tjente som referansestandard for sammenligning med kunstig intelligens-resultatene.
Intereksaminator-samsvar ble vurdert, og uenigheter ble løst ved konsensus.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
Påliteligheten til den kunstige intelligens-modellen ved deteksjon av proximale karier på digitale bitewing-røntgenbilder
Tidsramme: tverrsnittsvurdering ved baseline, uten oppfølgingsperiode
|
tverrsnittsvurdering ved baseline, uten oppfølgingsperiode
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Samarbeidspartnere
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)
15. januar 2023
Primær fullføring (Faktiske)
15. september 2025
Studiet fullført (Faktiske)
1. desember 2025
Datoer for studieregistrering
Først innsendt
4. februar 2026
Først innsendt som oppfylte QC-kriteriene
4. februar 2026
Først lagt ut (Faktiske)
11. februar 2026
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
11. februar 2026
Siste oppdatering sendt inn som oppfylte QC-kriteriene
4. februar 2026
Sist bekreftet
1. februar 2026
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- CONS_ Rad 1180
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
NEI
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
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. .