Jämförande noggrannhet av AI-modeller och klinisk bedömning för plackdetektion hos barn

Studiens titel:

Noggrannhet av dental plackdetektering från intraorala bilder med hjälp av olika artificiell intelligensmodeller kontra klinisk bedömning bland en grupp barn: en diagnostisk noggrannhetsstudie

Studieöversikt:

Denna observationsdiagnostiska noggrannhetsstudie är utformad för att utvärdera prestandan hos multipla artificiell intelligens (AI)-modeller för att detektera tandplack från intraorala bilder, jämfört med traditionella kliniska bedömningar utförda av kvalificerade tandläkare. Det primära fokus ligger på pediatriska patienter, eftersom tidig upptäckt och hantering av tandplack är avgörande för att bibehålla munhälsa hos barn.

Bakgrund och motivering:

Tandplack är en biofilm som bildas på tänderna och kan leda till karies och tandlossning om den inte hanteras på rätt sätt. Traditionella metoder för plackdetektering bygger på visuella bedömningar av tandläkare, vilket kan vara subjektivt och kan variera i noggrannhet. De senaste framstegen inom AI och bildbehandling erbjuder en möjlighet att förbättra upptäckten och kvantifieringen av tandplack genom intraorala bilder, vilket kan ge ett mer objektivt och effektivt bedömningsverktyg.

Mål:

Att jämföra AI-modellernas noggrannhet vid detektering av tandplack mot kliniska bedömningar.

För att bestämma känsligheten, specificiteten och den övergripande diagnostiska prestandan för AI-teknikerna.

Att analysera potentialen för AI-modeller att integreras i rutinmässiga tandundersökningar för pediatriska patienter.

Metodik:

Deltagare: Ett urval av pediatriska patienter kommer att rekryteras, vilket säkerställer en mångsidig representation av olika demografi och tandhälsostatus.

Bildinsamling: Intraorala bilder kommer att tas med hjälp av standardiserade bildbehandlingsprotokoll för att säkerställa konsekvens. Högupplösta bilder kommer att erhållas under kontrollerade förhållanden för att minimera variationen.

AI-modeller: Olika AI-algoritmer, inklusive konvolutionella neurala nätverk (CNN) och tekniker för djupinlärning, kommer att tränas med hjälp av en datauppsättning av kommenterade intraorala bilder. Dessa modeller kommer att utvärderas utifrån deras förmåga att identifiera och kvantifiera tandplack.

Klinisk bedömning: Utbildade tandläkare kommer att utföra kliniska undersökningar med standardplackindex för att bedöma förekomsten och svårighetsgraden av tandplack i samma barngrupp.

Dataanalys: Statistiska metoder kommer att användas för att jämföra den diagnostiska noggrannheten hos AI-modeller med kliniska bedömningar, inklusive beräkningar av sensitivitet, specificitet, positivt prediktivt värde och negativt prediktivt värde.

Förväntade resultat:

Studien syftar till att belysa rollen av AI för att förbättra upptäckten av tandplack hos barn, vilket potentiellt kan leda till förbättrad förebyggande vård och behandlingsstrategier. Fynden kan också bidra till utvecklingen av AI-stödda verktyg för tandläkare.

Etiska överväganden:

Denna studie kommer att följa etiska riktlinjer och säkerställa att informerat samtycke erhålls från juridiska vårdnadshavare för pediatriska deltagare. Godkännande från den relevanta institutionella granskningsnämnden (IRB) kommer att säkerställas innan studien påbörjas