Dokładność porównawcza modeli sztucznej inteligencji i ocena kliniczna wykrywania płytki nazębnej u dzieci

Tytuł badania:

Dokładność wykrywania płytki nazębnej na podstawie obrazów wewnątrzustnych przy użyciu różnych modeli sztucznej inteligencji a ocena kliniczna w grupie dzieci: badanie dokładności diagnostycznej

Przegląd badania:

To obserwacyjne badanie dokładności diagnostycznej ma na celu ocenę skuteczności wielu modeli sztucznej inteligencji (AI) w wykrywaniu płytki nazębnej na podstawie zdjęć wewnątrzustnych w porównaniu z tradycyjnymi ocenami klinicznymi przeprowadzanymi przez wykwalifikowanych dentystów. Skupiamy się przede wszystkim na pacjentach pediatrycznych, ponieważ wczesne wykrywanie i leczenie płytki nazębnej ma kluczowe znaczenie dla utrzymania zdrowia jamy ustnej u dzieci.

Tło i uzasadnienie:

Płytka nazębna to biofilm tworzący się na zębach, który, jeśli nie jest odpowiednio leczony, może prowadzić do próchnicy i chorób przyzębia. Tradycyjne metody wykrywania płytki nazębnej opierają się na ocenie wizualnej przeprowadzanej przez dentystów, która może być subiektywna i może różnić się dokładnością. Ostatnie postępy w sztucznej inteligencji i przetwarzaniu obrazów stwarzają możliwość lepszego wykrywania i ilościowego oznaczania płytki nazębnej za pomocą obrazów wewnątrzustnych, potencjalnie zapewniając bardziej obiektywne i skuteczne narzędzie oceny.

Cele:

Porównanie dokładności modeli AI w wykrywaniu płytki nazębnej z ocenami klinicznymi.

Określenie czułości, swoistości i ogólnej wydajności diagnostycznej technologii AI.

Przeanalizowanie możliwości włączenia modeli sztucznej inteligencji do rutynowych badań stomatologicznych pacjentów pediatrycznych.

Metodologia:

Uczestnicy: Do badania zostanie wybrana próba pacjentów pediatrycznych, co zapewni zróżnicowaną reprezentację różnych grup demograficznych i stanów zdrowia zębów.

Pozyskiwanie obrazu: Obrazy wewnątrzustne będą rejestrowane przy użyciu standardowych protokołów obrazowania, aby zapewnić spójność. Obrazy o wysokiej rozdzielczości zostaną uzyskane w kontrolowanych warunkach, aby zminimalizować zmienność.

Modele sztucznej inteligencji: różne algorytmy sztucznej inteligencji, w tym splotowe sieci neuronowe (CNN) i techniki głębokiego uczenia się, zostaną przeszkolone przy użyciu zestawu danych zawierających adnotacje obrazów wewnątrzustnych. Modele te zostaną ocenione na podstawie ich zdolności do identyfikacji i ilościowego określenia płytki nazębnej.

Ocena kliniczna: Przeszkoleni dentyści przeprowadzą badania kliniczne przy użyciu standardowych wskaźników płytki nazębnej, aby ocenić obecność i nasilenie płytki nazębnej w tej samej grupie dzieci.

Analiza danych: Do porównania dokładności diagnostycznej modeli sztucznej inteligencji z ocenami klinicznymi zostaną zastosowane metody statystyczne, w tym obliczenia czułości, swoistości, dodatniej i ujemnej wartości predykcyjnej.

Oczekiwane rezultaty:

Celem badania jest wyjaśnienie roli sztucznej inteligencji w poprawie wykrywania płytki nazębnej u dzieci, co może potencjalnie prowadzić do ulepszenia strategii profilaktyki i leczenia. Odkrycia mogą również przyczynić się do opracowania narzędzi wspomaganych sztuczną inteligencją dla lekarzy dentystów.

Względy etyczne:

Badanie to będzie zgodne z wytycznymi etycznymi, zapewniając uzyskanie świadomej zgody od opiekunów prawnych uczestników pediatrycznych. Przed rozpoczęciem badania zostanie uzyskana zgoda odpowiedniej instytucjonalnej komisji odwoławczej (IRB).