Effekten av att utbilda tandläkarstudenter för en AI-baserad plattform
5 januari 2024 uppdaterad av: University of Copenhagen
Effekten av att utbilda tandläkarstudenter för att använda en ny artificiell intelligensbaserad plattform för förutsägelse av massaexponering före djup kariesutgrävning: en randomiserad kontrollerad prövning
Framväxten av artificiell intelligens (AI) och specifikt djupinlärning (DL) har visat stora potentialer för att hitta radiografiska egenskaper och behandlingsplanering inom området kariologi och endodonti.
En växande mängd litteratur tyder på att DL-modeller kan hjälpa tandläkare att upptäcka radiografiska kännetecken som kariesskador, periapikala lesioner, såväl som att förutsäga risken för pulpaexponering vid kariesutgrävningsterapi.
Även om den aktuella litteraturen saknar tillräcklig forskning om effekten av tillräcklig utbildning av tandläkare för att använda AI-baserade plattformar.
Denna prospektiva randomiserade kontrollerade studie syftar till att bedöma elevernas prestationer när de använder en AI-baserad plattform för förutsägelse av massaexponering med och utan tillräcklig förprocedurutbildning.
Hypotesen är att deltagarnas prestation i grupp med tillräcklig träning liknar gruppen utan tillräcklig träning.
Studieöversikt
Status
Avslutad
Betingelser
Intervention / Behandling
Studietyp
Interventionell
Inskrivning (Faktisk)
20
Fas
- Inte tillämpbar
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Shaqayeq Ramezanzade, DDS
- Telefonnummer: 004555278370
- E-post: shaqayeq.ramezanzade@sund.ku.dk
Studera Kontakt Backup
- Namn: Lars Bjørndal, Prof.
- Telefonnummer: 004531228102
- E-post: labj@sund.ku.dk
Studieorter
-
-
-
Copenhagen, Danmark, 2200
- University of Copenhagen Department of Odontology Cariology and Endodontics Section for Clinical Oral Microbiology
-
-
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
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Ja
Beskrivning
Inklusionskriterier:
- kanske 4:e och 5:e års tandläkarstudenter vid Köpenhamns universitet som är villiga att delta frivilligt och har skrivit på samtyckesbrevet.
- Begränsad eller ingen tidigare kunskap och erfarenhet om AI
Exklusions kriterier:
- Ingen
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Övrig
- Tilldelning: Randomiserad
- Interventionsmodell: Parallellt uppdrag
- Maskning: Dubbel
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Experimentell: Studenter som använder AI-plattform för att bedöma risken för massaexponering får ett träningspass
Eleverna kommer att gå igenom en en timmes praktisk träning innan de tar testet på onlineplattformen. Sessionen inkluderar en teoretisk session relaterad till grundläggande aspekter av AI inom radiologi, CNN (Convolutional Neural Network) applikationer för kariologi och endodonti, samt grunderna i utgrävningsterapi och pulpaexponering. Den teoretiska delen kommer att följas av en praktisk session där deltagarna kontrollerar 11 fall av tänder med djup karies och hittar den närmaste gränsen mellan karies och pulpa. Därefter kommer de att få tillgång att logga in på webbplatsen där förbehandlingsröntgenbilder av fall som genomgår kariesgrävningsterapi laddas upp. Elevernas prestationer på kommer att bedömas. |
Eleverna i experimentgruppen kommer att få en en timmes praktisk träning innan de loggar in på onlineplattformen.
Sessionen kommer att presenteras av en tandläkare med AI-erfarenhet och den här sessionen kommer att presentera grundläggande aspekter av AI inom radiologi, djupinlärning (DL)-applikationer för kariologi och endodonti, samt grunderna för utgrävningsterapi och pulpaexponering.
den teoretiska delen kommer att följas av en praktisk session där varje deltagare kommer att kontrollera 11 fall av tänder med djup karies och kommer att hitta den närmaste gränsen mellan karies och pulpa.
deras prestation kommer att övervakas av träningssessionspresentatören och den korrekta raden kommer att visas dem om de gör fel linje.
|
|
Inget ingripande: Studenter som använder AI-plattform för att bedöma risken för massaexponering utan något träningspass
Eleverna kommer inte att få någon utbildning innan experimentet påbörjas.
Endast en 5-minuters video kommer att spelas upp som vägledning för att svara på frågorna på webbplatsen.
Därefter kommer de att få tillgång att logga in på webbplatsen där förbehandlingsröntgenbilder av fall som genomgår kariesgrävningsterapi laddas upp.
Elevernas prestationer på kommer att bedömas.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Elevernas prestation vid förutsägelse av massaexponering i den AI-baserade plattformen med och utan träningspass baserat på deras noggrannhet
Tidsram: 30 dagar
|
Noggrannheten hos eleverna i båda grupperna (med och utan träningspass) kommer att mätas och jämföras tillsammans.
Noggrannhetsmätningen för varje elev kommer att beräknas genom antalet korrekta förutsägelser om massaexponering dividerat med de totala förutsägelserna.
|
30 dagar
|
|
Elevernas prestation vid förutsägelse av massaexponering i den AI-baserade plattformen med och utan träningspass baserat på deras känslighet
Tidsram: 30 dagar
|
Känsligheten hos elever i båda grupperna (med och utan träningspass) kommer att mätas och jämföras tillsammans.
Den kommer att baseras på andelen faktiska massaexponeringsfall som förutspåddes som massaexponering (true positiv).
|
30 dagar
|
|
Elevernas prestation vid förutsägelse av massaexponering i den AI-baserade plattformen med och utan träningspass baserat på deras specificitet
Tidsram: 30 dagar
|
Specificiteten hos elever i båda grupperna (med och utan träningspass) kommer att mätas och jämföras tillsammans.
Den kommer att baseras på andelen faktiska "ingen massaexponering"-fall som korrekt förutspåtts som fall utan massaexponering (verkligt negativ).
|
30 dagar
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
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 (Faktisk)
20 augusti 2023
Primärt slutförande (Faktisk)
20 december 2023
Avslutad studie (Faktisk)
1 januari 2024
Studieregistreringsdatum
Först inskickad
24 maj 2023
Först inskickad som uppfyllde QC-kriterierna
12 juni 2023
Första postat (Faktisk)
22 juni 2023
Uppdateringar av studier
Senaste uppdatering publicerad (Beräknad)
8 januari 2024
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
5 januari 2024
Senast verifierad
1 januari 2024
Mer information
Termer relaterade till denna studie
Andra studie-ID-nummer
- 504-0342/22-5000
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
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 .
Kliniska prövningar på Artificiell intelligens
-
Al Baraka Fertility HospitalAl-Azhar UniversityRekryteringARTIFICIAL INTELLIGENS (AI) APPLIKATIONER INOM REPRODUKTIV MEDICINEgypten