- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05348109
Bedömning av programvara för beslutsstödssystem vid utvinning och förankringsplanering bland vuxna patienter som använder datoralgoritm
18 juli 2022 uppdaterad av: Walaa Mohamed Hassan Gadallah, Cairo University
Den introducerades inom tandvården för att användas i innovativ forskning och utveckling utöver att underlätta beslutet i komplicerade ärenden och säkerställa hög patientvårdskvalitet.
Specifikt inom området ortodonti har många studier tidigare nämnt idén om artificiell intelligens som visar mycket lovande resultat och hög grad av tillförlitlighet.
Det användes inom olika domäner inom ortodonti som diagnos, behandlingsplanering, utvärdering av behandlingsresultat
Studieöversikt
Status
Rekrytering
Intervention / Behandling
Detaljerad beskrivning
I denna studie är syftet att få tillgång till effektiviteten i det nya beslutsstödssystemet för att avgöra om beslutet är utvinning eller icke-uttag och den förankringsplan som krävs för varje ärende.
Detta gjordes tidigare i många länder och dessa studier är publicerade
Studietyp
Observationell
Inskrivning (Förväntat)
80
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Walaa Mohamed Gadallah, Bachelor degree
- Telefonnummer: 01021340189
- E-post: walaa.hassan@dentistry.cu.edu.eg
Studieorter
-
-
-
Cairo, Egypten
- Rekrytering
- Walaa Mohamed Hassan Gadallah
-
Kontakt:
- walaa mohamed Gadallah, Bachelor
- Telefonnummer: 01021340189
- E-post: walaa.hassan@dentistry.cu.edu.eg
-
-
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
15 år till 35 år (Barn, Vuxen)
Tar emot friska volontärer
N/A
Kön som är behöriga för studier
Allt
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Att rekrytera välavslutade fall med en historia av trängsel från Kasr el Ainy utan allvarliga skelettavvikelser, fall bör dokumenteras väl. Den exakta och fullständiga dokumentationen av patienterna när det gäller närvaron av:
- Preoperativ och postoperativ röntgen.
- Preoperativa och postoperativa fotografier av god kvalitet.
- Preoperativa och postoperativa studiemodeller.
- Detaljerad dokumentation av behandlingsförlopp och mekanik. Om det fanns ofullständiga uppgifter i patientjournalen; patienten kommer då att uteslutas från studien.
Beskrivning
Inklusionskriterier:
- Fall med väl avslutad ortodontisk behandling.
- Fall med en historia av trängsel mer än 10 mm och som kräver extraktion.
- Fall utan allvarliga skelettavvikelser.
- Väldokumenterade fall med både preoperativa och postoperativa journaler.
- Patienter med en hel uppsättning permanenta tänder fick utbrott
Exklusions kriterier:
- Felaktigt avslutade ortodontiska fall.
- Fall med mild trängsel som hanteras av andra behandlingsalternativ än extraktion.
- Växande patienter eller visar kvarvarande tillväxt i cefalometrisk analys
- Fall med allvarliga skelettavvikelser.
- Dåligt dokumenterade fall.
- Patienter som inte håller sig till förankringsplanen
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Kohort
- Tidsperspektiv: Övrig
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
väl avslutade ärenden
|
Att avgöra om beslut om utvinning eller icke-uttag ska fattas för varje ärende
Andra namn:
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Att studera effektiviteten av programbesluten i termer av utvinning/icke-utvinning och Anchorage-planeringsbeslut
Tidsram: 1 år
|
Konkordanskorrelationskoefficienten skulle användas för att mäta överensstämmelsen mellan de två metoderna på basis av de värden (%) som tilldelas för varje behandlingsalternativ av de två metoderna (kvantitativa data).
|
1 år
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Publikationer och användbara länkar
Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.
Allmänna publikationer
- 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.
Användbara länkar
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Förväntat)
22 augusti 2022
Primärt slutförande (Förväntat)
1 november 2022
Avslutad studie (Förväntat)
1 april 2023
Studieregistreringsdatum
Först inskickad
21 december 2021
Först inskickad som uppfyllde QC-kriterierna
23 april 2022
Första postat (Faktisk)
27 april 2022
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
20 juli 2022
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
18 juli 2022
Senast verifierad
1 juli 2022
Mer information
Termer relaterade till denna studie
Andra studie-ID-nummer
- 94030405
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Obeslutsam
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .