Sztucznie wspomagana kolorymetryczna diagnoza rumienia błony śluzowej wokół implantu
Badanie diagnostyczne mające na celu opracowanie i walidację sztucznie inteligentnego systemu kolorymetrycznego do obiektywnej diagnostyki rumienia błony śluzowej okołowszczepowej oraz ocenę jego wpływu na wydajność klinicystów
- Tło i uzasadnienie Wizualna diagnoza rumienia błony śluzowej wokół implantu (zaczerwienienia), będącego kluczowym objawem stanu zapalnego, jest wysoce subiektywna i znacząco różni się wśród klinicystów, co prowadzi do niespójności we wczesnym wykrywaniu i monitorowaniu chorób tkanek wokół implantu. Istnieje pilna potrzeba opracowania obiektywnego, ilościowego i wiarygodnego narzędzia do standaryzacji tej oceny. Ostatnie postępy w dziedzinie sztucznej inteligencji (AI) i kolorymetrycznej analizie cyfrowych skanów wewnątrzustnych oferują obiecujące rozwiązanie tego wyzwania klinicznego.
Główne cele
Niniejsze badanie diagnostyczne ma na celu:
Opracowanie i walidację podstawowego wskaźnika kolorymetrycznego, który obiektywnie kwantyfikuje rumień błony śluzowej na podstawie danych z cyfrowych skanów wewnątrzustnych.
Opracowanie i walidację modelu AI, który automatycznie oblicza ten wskaźnik i dostarcza binarną diagnozę (rumień obecny/nieobecny) na poziomie obrazu.
Opracowanie i walidację drugiego modelu AI do precyzyjnej lokalizacji (wykrywania obiektów) obszarów rumieniowych na standardowych zrzutach ekranu z oprogramowania klinicznego.
Ocenę przydatności klinicznej systemu AI poprzez zbadanie jego wpływu na dokładność diagnostyczną, spójność i pewność klinicystów o różnym poziomie doświadczenia.
Projekt badania
Jest to wielofazowe badanie dokładności diagnostycznej przeprowadzone w jednym ośrodku akademickim. Składa się z trzech kolejnych faz z niezależną walidacją:
Faza 1 (Opracowanie i walidacja wewnętrzna): Analiza skanów wewnątrzustnych w celu wyprowadzenia wskaźnika koloru i trenowania modeli AI z wykorzystaniem wewnętrznego zestawu danych.
Faza 2 (Zewnętrzna walidacja techniczna): Prospektywna walidacja wytrenowanych modeli AI na niezależnej kohorcie pacjentów z oddzielnego oddziału szpitala.
Faza 3 (Ocena przydatności klinicznej): Prospektywne, kontrolowane badanie obserwacyjne, w którym klinicyści przeprowadzają diagnozy z pomocą AI i bez niej.
Uczestnicy i metody
Źródło danych: Dorośli pacjenci z implantami stomatologicznymi, u których wykonano skany wewnątrzustne za pomocą skanera 3Shape TRIOS 3.
Dane obrazowe: Wykorzystywane są dwa formaty: 1) Przetworzone pliki powierzchni 3D (format PLY) do analizy kolorymetrycznej, oraz 2) Standaryzowane zrzuty ekranu 2D z oprogramowania 3Shape do wykrywania obiektów.
Standardy odniesienia: Konsensus ekspertów dotyczący rumienia (pierwotny) oraz krwawienie przy zgłębnikowaniu (BOP, kliniczny standard zapalny).
Rozwój AI: Modele głębokiego uczenia (np. konwolucyjne sieci neuronowe) będą trenowane do obliczania wskaźnika, diagnozy na poziomie obrazu oraz lokalizacji regionów.
Badanie obserwacyjne: Uczestniczący klinicyści (eksperci, dentyści ogólni i studenci) będą diagnozować zestaw obrazów testowych zarówno bez pomocy, jak i z pomocą AI (która wyświetla wartość wskaźnika koloru i/lub ramki ograniczające).
Kluczowe miary wyników
Dokładność diagnostyczna: Pole pod krzywą charakterystyki pracy odbiornika (AUC), czułość, swoistość (z 95% przedziałami ufności).
Wydajność techniczna: Współczynnik korelacji wewnątrzklasowej (ICC) dla zgodności pomiarów automatycznych; Średnia Precyzja (mAP) i Współczynnik Podobieństwa Dice'a dla wykrywania obiektów.
Wpływ kliniczny: Zmiana w dokładności diagnostycznej (AUC), zgodności między obserwatorami (Kappa) i ocenach pewności diagnostycznej podczas korzystania z pomocy AI.
- Znaczenie Niniejsze badanie dąży do przekształcenia subiektywnego objawu klinicznego w obiektywny biomarker diagnostyczny wspierany przez AI. W przypadku sukcesu, proponowany system może stać się cennym narzędziem wspomagania decyzji w codziennej praktyce i badaniach klinicznych, promując wcześniejsze, bardziej spójne i ustandaryzowane monitorowanie zdrowia tkanek wokół implantu, co ostatecznie poprawi opiekę nad pacjentem.
Przegląd badań
Status
Status
Warunki
Warunki
Interwencja / Leczenie
Interwencja / Leczenie
Typ studiów
Typ studiów
Zapisy (Szacowany)
Zapisy
Faza
Faza
- Nie dotyczy
Kontakty i lokalizacje
Kontakt w sprawie studiów
Kontakt w sprawie studiów
- Nazwa: Junyu Shi, Professor
- Numer telefonu: 021 5331 4050
- E-mail: sakyamuni_jin@163.com
Lokalizacje studiów
-
-
-
Shanghai, Chiny
- Rekrutacyjny
- Department of Oral Maxillofacial Implantology Shanghai Ninth People's Hospital
-
Kontakt:
- Xinyu Wu, PhD
- Numer telefonu: 021 5331 4050
- E-mail: wuxinyu_dentist@hotmail.com
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Opis
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Diagnostyczny
- Przydział: Nie dotyczy
- Model interwencyjny: Zadanie dla jednej grupy
- Maskowanie: Brak (otwarta etykieta)
Liczba ramion
Broń i interwencje
Grupa uczestników / ArmGrupa uczestników / Arm |
Interwencja / LeczenieInterwencja / Leczenie |
|---|---|
|
Eksperymentalny: AI-Wspomagana Ocena Diagnostyczna Rumienia Błony Śluzowej Okolozębnej
Uczestnicy tego jedno-ramieniowego badania są oceniani przy użyciu eksperymentalnego, opartego na sztucznej inteligencji systemu kolorymetrycznego.
Badanie obejmuje dwie odrębne role uczestników: 1) Uczestnicy-pacjenci, którzy wcześniej otrzymali skany wewnątrzustne, udostępniają swoje zanonimizowane cyfrowe obrazy stomatologiczne (pliki powierzchni 3D i zrzuty ekranu 2D) do rozwoju i walidacji modelu AI.
2) Uczestnicy-lekarze (w tym eksperci, dentyści ogólni i studenci) biorą udział w prospektywnym badaniu obserwacyjnym.
W kontrolowany, krzyżowy sposób diagnozują oni zestandaryzowany zestaw obrazów błony śluzowej okołoimplantacyjnej, najpierw bez żadnej pomocy, a następnie przy wsparciu systemu AI, który dostarcza obiektywną wartość indeksu koloru oraz wizualne ramki ograniczające wokół podejrzanych obszarów rumieniowych.
Głównym celem tego ramienia jest ocena dokładności diagnostycznej, wiarygodności i użyteczności klinicznej systemu AI zarówno pod względem technicznym (w porównaniu z eksperckim odniesieniem), jak i ludzkim (poprawa wydajności klinicysty).
|
Uczestnicy tego jedno-ramiennego badania podlegają ocenie przy użyciu eksperymentalnego, opartego na sztucznej inteligencji systemu kolorymetrycznego.
Badanie obejmuje dwie odrębne role uczestników: 1) Uczestnicy-Pacjenci, którzy wcześniej otrzymali skany wewnątrzustne, przekazują swoje zanonimizowane cyfrowe obrazy stomatologiczne (pliki powierzchni 3D i zrzuty ekranu 2D) na potrzeby rozwoju i walidacji modelu AI.
2) Uczestnicy-Klinicyści (w tym eksperci, dentyści ogólni i studenci) biorą udział w prospektywnym badaniu obserwacyjnym.
W kontrolowany, krzyżowy sposób diagnozują oni zestandaryzowany zestaw obrazów błony śluzowej okołowszczepowej najpierw bez żadnej pomocy, a następnie z pomocą systemu AI, który dostarcza obiektywną wartość wskaźnika koloru oraz wizualne ramki ograniczające wokół podejrzanych obszarów rumieniowych.
Głównym celem tego ramienia jest ocena dokładności diagnostycznej, wiarygodności i użyteczności klinicznej systemu AI zarówno pod względem technicznym (w porównaniu z referencjami eksperckimi), jak i ludzkim (poprawa wydajności klinicysty).
|
Co mierzy badanie?
Podstawowe miary wyniku
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność diagnostyczna systemu sztucznej inteligencji w wykrywaniu rumienia błony śluzowej okołowszczepowej, mierzona za pomocą pola pod krzywą charakterystyki pracy odbiornika (AUC).
Ramy czasowe: Po zakończeniu analizy obrazów dla zewnętrznego zestawu walidacyjnego, około 3 miesiące od rozpoczęcia badania
|
Głównym punktem końcowym jest dokładność diagnostyczna opartego na sztucznej inteligencji systemu kolorymetrycznego w klasyfikacji obrazu jako wykazującego rumień lub nie.
Dokładność jest kwantyfikowana przez pole pod krzywą ROC (AUC), przy czym wizualna diagnoza ekspercka służy jako standard odniesienia.
AUC wraz z jego 95% przedziałem ufności zostanie obliczony oddzielnie dla wewnętrznego zestawu rozwojowego i niezależnego zewnętrznego zestawu walidacyjnego w celu oceny wydajności modelu i jego uogólnialności.
|
Po zakończeniu analizy obrazów dla zewnętrznego zestawu walidacyjnego, około 3 miesiące od rozpoczęcia badania
|
Współpracownicy i badacze
Sponsor
Sponsor
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Rozpoczęcie studiów
Zakończenie podstawowe (Szacowany)
Zakończenie podstawowe
Ukończenie studiów (Szacowany)
Ukończenie studiów
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Szacowany)
Pierwszy wysłany
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Szacowany)
Ostatnia wysłana aktualizacja
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Inne numery identyfikacyjne badania
Inne numery identyfikacyjne badania
- SH9H-2025-196-imp
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .