Ocena oprogramowania systemu wspomagania decyzji w planowaniu wydobycia i zakotwiczenia wśród dorosłych pacjentów z wykorzystaniem algorytmu komputerowego
18 lipca 2022 zaktualizowane przez: Walaa Mohamed Hassan Gadallah, Cairo University
Została wprowadzona w stomatologii z myślą o zastosowaniu w innowacyjnych badaniach i rozwoju, a także ułatwieniu decyzji w skomplikowanych przypadkach i zapewnieniu wysokiej jakości opieki nad pacjentem.
W szczególności w dziedzinie ortodoncji wiele badań wspominało wcześniej o idei sztucznej inteligencji, wykazując bardzo obiecujące wyniki i wysoki stopień niezawodności.
Był używany w różnych dziedzinach ortodoncji, takich jak diagnostyka, planowanie leczenia, ocena wyników leczenia
Przegląd badań
Status
Rekrutacyjny
Interwencja / Leczenie
Szczegółowy opis
W tym badaniu celem jest uzyskanie dostępu do wydajności nowego systemu wspomagania decyzji w określaniu, czy decyzja dotyczy ekstrakcji, czy nie, oraz planu zakotwiczenia wymaganego dla każdego przypadku.
Dokonano tego w przeszłości w wielu krajach i badania te są publikowane
Typ studiów
Obserwacyjny
Zapisy (Oczekiwany)
80
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Kontakt w sprawie studiów
- Nazwa: Walaa Mohamed Gadallah, Bachelor degree
- Numer telefonu: 01021340189
- E-mail: walaa.hassan@dentistry.cu.edu.eg
Lokalizacje studiów
-
-
-
Cairo, Egipt
- Rekrutacyjny
- Walaa Mohamed Hassan Gadallah
-
Kontakt:
- walaa mohamed Gadallah, Bachelor
- Numer telefonu: 01021340189
- E-mail: walaa.hassan@dentistry.cu.edu.eg
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
15 lat do 35 lat (Dziecko, Dorosły)
Akceptuje zdrowych ochotników
Nie dotyczy
Płeć kwalifikująca się do nauki
Wszystko
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
Rekrutacja dobrze wykończonych przypadków z historią stłoczenia z Kasr el Ainy bez poważnych rozbieżności szkieletowych, przypadki powinny być dobrze udokumentowane. Dokładna i kompletna dokumentacja pacjentów pod kątem obecności:
- Rentgen przed i pooperacyjny.
- Dobrej jakości zdjęcia przed i pooperacyjne.
- Modele badań przedoperacyjnych i pooperacyjnych.
- Szczegółowa dokumentacja przebiegu i mechaniki zabiegu. Jeżeli w dokumentacji pacjenta podano niepełne dane; pacjent zostanie wówczas wykluczony z badania.
Opis
Kryteria przyjęcia:
- Przypadki z dobrze zakończonym leczeniem ortodontycznym.
- Przypadki z historią stłoczeń powyżej 10 mm i wymagające ekstrakcji.
- Przypadki bez poważnych rozbieżności szkieletowych.
- Dobrze udokumentowane przypadki z zapisami zarówno przedoperacyjnymi, jak i pooperacyjnymi.
- Pacjenci z pełnym zestawem zębów stałych wyrznęli
Kryteria wyłączenia:
- Niewłaściwie wykończone przypadki ortodontyczne.
- Przypadki z łagodnym stłoczeniem zarządzane przez opcje leczenia inne niż ekstrakcja.
- Rosnący pacjenci lub wykazujący jakikolwiek resztkowy wzrost pozostały w analizie cefalometrycznej
- Przypadki z poważnymi rozbieżnościami szkieletowymi.
- Słabo udokumentowane przypadki.
- Pacjenci nie trzymają się planu zakotwiczenia
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Kohorta
- Perspektywy czasowe: Inny
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
dobrze wykończone sprawy
|
Aby zdecydować, czy w każdym przypadku zostanie podjęta decyzja o ekstrakcji, czy o jej braku
Inne nazwy:
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Zbadanie skuteczności decyzji programowych pod względem wydobycia/niewydobycia oraz decyzji planistycznych w Anchorage
Ramy czasowe: 1 rok
|
Współczynnik korelacji zgodności byłby używany do pomiaru zgodności między 2 metodami na podstawie wartości (%) przypisanych każdej opcji leczenia za pomocą 2 metod (dane ilościowe).
|
1 rok
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- Mandava, P., Ganugapanta, V. R. and Pradesh, A. (2016) 'Review article Annals and Essences of Dentistry ANCHORAGE IN ORTHODONTICS : A LITERATURE REVIEW Review article', Annals and Essences of Dentistry, VIII(2).
- Muraev AA, Tsai P, Kibardin I, Oborotistov N, Shirayeva T, Ivanov S, Ivanov S, Guseynov N, Aleshina O, Bosykh Y, Safyanova E, Andreischev A, Rudoman S, Dolgalev A, Matyuta M, Karagodsky V, Tuturov N. Frontal cephalometric landmarking: humans vs artificial neural networks. Int J Comput Dent. 2020;23(2):139-148.
- Aksakalli S, Demir A, Selek M, Tasdemir S. Temperature increase during orthodontic bonding with different curing units using an infrared camera. Acta Odontol Scand. 2014 Jan;72(1):36-41. doi: 10.3109/00016357.2013.794954. Epub 2013 May 3.
- Auconi P, Scazzocchio M, Cozza P, McNamara JA Jr, Franchi L. Prediction of Class III treatment outcomes through orthodontic data mining. Eur J Orthod. 2015 Jun;37(3):257-67. doi: 10.1093/ejo/cju038. Epub 2014 Sep 4.
- Bichu YM, Hansa I, Bichu AY, Premjani P, Flores-Mir C, Vaid NR. Applications of artificial intelligence and machine learning in orthodontics: a scoping review. Prog Orthod. 2021 Jul 5;22(1):18. doi: 10.1186/s40510-021-00361-9. Review.
- Briganti G, Le Moine O. Artificial Intelligence in Medicine: Today and Tomorrow. Front Med (Lausanne). 2020 Feb 5;7:27. doi: 10.3389/fmed.2020.00027. eCollection 2020.
- Chen S, Wang L, Li G, Wu TH, Diachina S, Tejera B, Kwon JJ, Lin FC, Lee YT, Xu T, Shen D, Ko CC. Machine learning in orthodontics: Introducing a 3D auto-segmentation and auto-landmark finder of CBCT images to assess maxillary constriction in unilateral impacted canine patients. Angle Orthod. 2020 Jan;90(1):77-84. doi: 10.2319/012919-59.1. Epub 2019 Aug 12.
- Chen YW, Stanley K, Att W. Artificial intelligence in dentistry: current applications and future perspectives. Quintessence Int. 2020;51(3):248-257. doi: 10.3290/j.qi.a43952. Erratum In: Quintessence Int. 2020;51(5):430.
- Choi HI, Jung SK, Baek SH, Lim WH, Ahn SJ, Yang IH, Kim TW. Artificial Intelligent Model With Neural Network Machine Learning for the Diagnosis of Orthognathic Surgery. J Craniofac Surg. 2019 Oct;30(7):1986-1989. doi: 10.1097/SCS.0000000000005650. Erratum in: J Craniofac Surg. 2020 Jun;31(4):1156.
- Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. Teleneurology and mobile technologies: the future of neurological care. Nat Rev Neurol. 2018 May;14(5):285-297. doi: 10.1038/nrneurol.2018.31. Epub 2018 Apr 6. Review.
- Felfoul O, Mohammadi M, Taherkhani S, de Lanauze D, Zhong Xu Y, Loghin D, Essa S, Jancik S, Houle D, Lafleur M, Gaboury L, Tabrizian M, Kaou N, Atkin M, Vuong T, Batist G, Beauchemin N, Radzioch D, Martel S. Magneto-aerotactic bacteria deliver drug-containing nanoliposomes to tumour hypoxic regions. Nat Nanotechnol. 2016 Nov;11(11):941-947. doi: 10.1038/nnano.2016.137. Epub 2016 Aug 15.
- Feres M, Louzoun Y, Haber S, Faveri M, Figueiredo LC, Levin L. Support vector machine-based differentiation between aggressive and chronic periodontitis using microbial profiles. Int Dent J. 2018 Feb;68(1):39-46. doi: 10.1111/idj.12326. Epub 2017 Aug 2.
- Goto S, Kimura M, Katsumata Y, Goto S, Kamatani T, Ichihara G, Ko S, Sasaki J, Fukuda K, Sano M. Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients. PLoS One. 2019 Jan 9;14(1):e0210103. doi: 10.1371/journal.pone.0210103. eCollection 2019.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Hwang JJ, Lee JH, Han SS, Kim YH, Jeong HG, Choi YJ, Park W. Strut analysis for osteoporosis detection model using dental panoramic radiography. Dentomaxillofac Radiol. 2017 Oct;46(7):20170006. doi: 10.1259/dmfr.20170006. Epub 2017 Jul 14.
- Khanagar SB, Al-Ehaideb A, Vishwanathaiah S, Maganur PC, Patil S, Naik S, Baeshen HA, Sarode SS. Scope and performance of artificial intelligence technology in orthodontic diagnosis, treatment planning, and clinical decision-making - A systematic review. J Dent Sci. 2021 Jan;16(1):482-492. doi: 10.1016/j.jds.2020.05.022. Epub 2020 Jun 5. Review.
- Kunz F, Stellzig-Eisenhauer A, Zeman F, Boldt J. Artificial intelligence in orthodontics : Evaluation of a fully automated cephalometric analysis using a customized convolutional neural network. J Orofac Orthop. 2020 Jan;81(1):52-68. doi: 10.1007/s00056-019-00203-8. Epub 2019 Dec 18.
- Yeom SH, Na JS, Jung HD, Cho HJ, Choi YJ, Lee JS. Computational analysis of airflow dynamics for predicting collapsible sites in the upper airways: machine learning approach. J Appl Physiol (1985). 2019 Oct 1;127(4):959-973. doi: 10.1152/japplphysiol.01033.2018. Epub 2019 Jul 18.
- Xie X, Wang L, Wang A. Artificial neural network modeling for deciding if extractions are necessary prior to orthodontic treatment. Angle Orthod. 2010 Mar;80(2):262-6. doi: 10.2319/111608-588.1.
- Turakhia MP, Desai M, Hedlin H, Rajmane A, Talati N, Ferris T, Desai S, Nag D, Patel M, Kowey P, Rumsfeld JS, Russo AM, Hills MT, Granger CB, Mahaffey KW, Perez MV. Rationale and design of a large-scale, app-based study to identify cardiac arrhythmias using a smartwatch: The Apple Heart Study. Am Heart J. 2019 Jan;207:66-75. doi: 10.1016/j.ahj.2018.09.002. Epub 2018 Sep 8.
- Topalovic M, Das N, Burgel PR, Daenen M, Derom E, Haenebalcke C, Janssen R, Kerstjens HAM, Liistro G, Louis R, Ninane V, Pison C, Schlesser M, Vercauter P, Vogelmeier CF, Wouters E, Wynants J, Janssens W; Pulmonary Function Study Investigators; Pulmonary Function Study Investigators:. Artificial intelligence outperforms pulmonologists in the interpretation of pulmonary function tests. Eur Respir J. 2019 Apr 11;53(4). pii: 1801660. doi: 10.1183/13993003.01660-2018. Print 2019 Apr.
- Thanathornwong B. Bayesian-Based Decision Support System for Assessing the Needs for Orthodontic Treatment. Healthc Inform Res. 2018 Jan;24(1):22-28. doi: 10.4258/hir.2018.24.1.22. Epub 2018 Jan 31.
- Suhail Y, Upadhyay M, Chhibber A, Kshitiz. Machine Learning for the Diagnosis of Orthodontic Extractions: A Computational Analysis Using Ensemble Learning. Bioengineering (Basel). 2020 Jun 12;7(2). pii: E55. doi: 10.3390/bioengineering7020055.
- Lee JH, Kim DH, Jeong SN, Choi SH. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. J Dent. 2018 Oct;77:106-111. doi: 10.1016/j.jdent.2018.07.015. Epub 2018 Jul 26.
- Lee KS, Jung SK, Ryu JJ, Shin SW, Choi J. Evaluation of Transfer Learning with Deep Convolutional Neural Networks for Screening Osteoporosis in Dental Panoramic Radiographs. J Clin Med. 2020 Feb 1;9(2). pii: E392. doi: 10.3390/jcm9020392.
- Skotko BG, Macklin EA, Muselli M, Voelz L, McDonough ME, Davidson E, Allareddy V, Jayaratne YS, Bruun R, Ching N, Weintraub G, Gozal D, Rosen D. A predictive model for obstructive sleep apnea and Down syndrome. Am J Med Genet A. 2017 Apr;173(4):889-896. doi: 10.1002/ajmg.a.38137. Epub 2017 Jan 26.
- Patcas R, Timofte R, Volokitin A, Agustsson E, Eliades T, Eichenberger M, Bornstein MM. Facial attractiveness of cleft patients: a direct comparison between artificial-intelligence-based scoring and conventional rater groups. Eur J Orthod. 2019 Aug 8;41(4):428-433. doi: 10.1093/ejo/cjz007.
- Patcas R, Bernini DAJ, Volokitin A, Agustsson E, Rothe R, Timofte R. Applying artificial intelligence to assess the impact of orthognathic treatment on facial attractiveness and estimated age. Int J Oral Maxillofac Surg. 2019 Jan;48(1):77-83. doi: 10.1016/j.ijom.2018.07.010. Epub 2018 Aug 4.
- Li P, Kong D, Tang T, Su D, Yang P, Wang H, Zhao Z, Liu Y. Orthodontic Treatment Planning based on Artificial Neural Networks. Sci Rep. 2019 Feb 14;9(1):2037. doi: 10.1038/s41598-018-38439-w.
- Ma Q, Kobayashi E, Fan B, Nakagawa K, Sakuma I, Masamune K, Suenaga H. Automatic 3D landmarking model using patch-based deep neural networks for CT image of oral and maxillofacial surgery. Int J Med Robot. 2020 Jun;16(3):e2093. doi: 10.1002/rcs.2093. Epub 2020 Mar 20.
- Niño-Sandoval TC, Guevara Pérez SV, González FA, Jaque RA, Infante-Contreras C. Use of automated learning techniques for predicting mandibular morphology in skeletal class I, II and III. Forensic Sci Int. 2017 Dec;281:187.e1-187.e7. doi: 10.1016/j.forsciint.2017.10.004. Epub 2017 Oct 12.
- Nieri M, Crescini A, Rotundo R, Baccetti T, Cortellini P, Pini Prato GP. Factors affecting the clinical approach to impacted maxillary canines: A Bayesian network analysis. Am J Orthod Dentofacial Orthop. 2010 Jun;137(6):755-62. doi: 10.1016/j.ajodo.2008.08.028.
- Nanda, R. (2012) 'Biomechanics and Esthetics Strategies in Clinical Orthodontics', Paper Knowledge . Toward a Media History of Documents, p. 194.
- Nahidh, M., Am, A. A. and Sc, A. (2019) 'Understanding Anchorage in Orthodontics', ARC Journal of Dental Science, 4(3). doi: 10.20431/2456-0030.0403002.
- Montúfar J, Romero M, Scougall-Vilchis RJ. Hybrid approach for automatic cephalometric landmark annotation on cone-beam computed tomography volumes. Am J Orthod Dentofacial Orthop. 2018 Jul;154(1):140-150. doi: 10.1016/j.ajodo.2017.08.028.
- Mitchell, L. (2017) 'Introduction to Orthodontics', in Introduction to Orthodontics. 4th edn, pp. 179-190.
- Mendes RG, de Souza CR, Machado MN, Correa PR, Di Thommazo-Luporini L, Arena R, Myers J, Pizzolato EB, Borghi-Silva A. Predicting reintubation, prolonged mechanical ventilation and death in post-coronary artery bypass graft surgery: a comparison between artificial neural networks and logistic regression models. Arch Med Sci. 2015 Aug 12;11(4):756-63. doi: 10.5114/aoms.2015.48145. Epub 2015 Aug 11.
- Martina, R. et al. (2006) 'Neural Network Based System for Decision Making Support in Orthodontic Extractions', Intelligent Production Machines and Systems - 2nd I*PROMS Virtual International Conference 3-14 July 2006, pp. 235-240. doi: 10.1016/B978-008045157-2/50045-6.
Przydatne linki
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (Oczekiwany)
22 sierpnia 2022
Zakończenie podstawowe (Oczekiwany)
1 listopada 2022
Ukończenie studiów (Oczekiwany)
1 kwietnia 2023
Daty rejestracji na studia
Pierwszy przesłany
21 grudnia 2021
Pierwszy przesłany, który spełnia kryteria kontroli jakości
23 kwietnia 2022
Pierwszy wysłany (Rzeczywisty)
27 kwietnia 2022
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
20 lipca 2022
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
18 lipca 2022
Ostatnia weryfikacja
1 lipca 2022
Więcej informacji
Terminy związane z tym badaniem
Inne numery identyfikacyjne badania
- 94030405
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Niezdecydowany
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
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 .