Development and Validation of a Deep Learning Model to Predict Endodontic Retreatment Difficulty From Periapical Radiographs (Ai Retreatment)
Обзор исследования
Статус
Статус
Условия
Условия
Вмешательство/лечение
Вмешательство/лечение
Тип исследования
Тип исследования
Регистрация (Оцененный)
Регистрация
Фаза
Фаза
- Непригодный
Контакты и местонахождение
Контакты исследования
Контакты исследования
- Имя: Noha El Saber, PhD student
- Номер телефона: +201157157197
- Электронная почта: nohaalsaber@dentistry.cu.edu.eg
Критерии участия
Критерии приемлемости
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Описание
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
Учебный план
Как устроено исследование?
Детали дизайна
- Основная цель: Диагностика
- Распределение: Н/Д
- Интервенционная модель: Одногрупповое задание
- Маскировка: Нет (открытая этикетка)
Количество рук
Оружие и интервенции
Группа участников / АрмияГруппа участников / Армия |
Вмешательство/лечениеВмешательство/лечение |
|---|---|
|
Экспериментальный: 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.
Другие имена:
|
Что измеряет исследование?
Первичные показатели результатов
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
diagnostic accuracy
Временное ограничение: 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
|
Соавторы и исследователи
Спонсор
Спонсор
Даты записи исследования
Изучение основных дат
Начало исследования (Оцененный)
Начало исследования
Первичное завершение (Оцененный)
Первичное завершение
Завершение исследования (Оцененный)
Завершение исследования
Даты регистрации исследования
Первый отправленный
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Первый опубликованный
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее опубликованное обновление
Последнее отправленное обновление, отвечающее критериям контроля качества
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Другие идентификационные номера исследования
Другие идентификационные номера исследования
- newendo7.1.1
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .