Development and Validation of a Deep Learning Model to Predict Endodontic Retreatment Difficulty From Periapical Radiographs (Ai Retreatment)
20 de maio de 2026 atualizado por: Noha Mohamed Elsaber, Cairo University
The aim of this study is to develop and evaluate an artificial intelligence-based model capable of analyzing periapical radiographs of maxillary and mandibular molars to predict the difficulty level of non-surgical root canal retreatment.
By integrating deep learning techniques with routinely acquired periapical radiographs, this study aims to enhance diagnostic support, improve clinical decision-making, and facilitate appropriate case selection or referral in endodontic practice.
Visão geral do estudo
Status
Ainda não está recrutando
Condições
Tipo de estudo
Intervencional
Inscrição (Estimado)
123
Estágio
- Não aplicável
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Contato de estudo
- Nome: Noha El Saber, PhD student
- Número de telefone: +201157157197
- E-mail: nohaalsaber@dentistry.cu.edu.eg
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Não
Descrição
Inclusion Criteria:
Periapical radiographs of maxillary and mandibular molars requiring non-surgical endodontic retreatment will be included. Radiographs should exhibit satisfactory image quality, characterized by adequate sharpness, contrast, and minimal distortion or noise to allow accurate assessment of relevant anatomical and treatment-related features. Images should clearly display the tooth of interest, surrounding periapical structures, and any existing root canal filling materials or restorations.
Exclusion Criteria:
Deciduous teeth, non-restorable, non-treated teeth
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Diagnóstico
- Alocação: N / D
- Modelo Intervencional: Atribuição de grupo único
- Mascaramento: Nenhum (rótulo aberto)
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Experimental: Deep Learning Model to Predict Endodontic Retreatment Difficulty from Periapical Radiographs
This study will employ a retrospective diagnostic accuracy design focused on the development and validation of a deep learning-based model for automated prediction of endodontic retreatment difficulty in maxillary and mandibular molars using periapical radiographs.
The methodology will involve radiographic data acquisition, expert annotation of case difficulty according to standardized criteria, deep learning model development and training, and comprehensive performance evaluation of the proposed system.
|
This study will employ a retrospective diagnostic accuracy design focused on the development and validation of a deep learning-based model for automated prediction of endodontic retreatment difficulty in maxillary and mandibular molars using periapical radiographs.
The methodology will involve radiographic data acquisition, expert annotation of case difficulty according to standardized criteria, deep learning model development and training, and comprehensive performance evaluation of the proposed system.
Outros nomes:
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
diagnostic accuracy
Prazo: From Data collection to model testing up to 60 weeks
|
Diagnostic performance of the deep learning model in predicting endodontic retreatment difficulty level
|
From Data collection to model testing up to 60 weeks
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Estimado)
1 de julho de 2026
Conclusão Primária (Estimado)
1 de janeiro de 2027
Conclusão do estudo (Estimado)
1 de janeiro de 2027
Datas de inscrição no estudo
Enviado pela primeira vez
14 de maio de 2026
Enviado pela primeira vez que atendeu aos critérios de CQ
20 de maio de 2026
Primeira postagem (Real)
28 de maio de 2026
Atualizações de registro de estudo
Última Atualização Postada (Real)
28 de maio de 2026
Última atualização enviada que atendeu aos critérios de controle de qualidade
20 de maio de 2026
Última verificação
1 de maio de 2026
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Outros números de identificação do estudo
- newendo7.1.1
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
INDECISO
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .