Detektion av proximala karier i bettvingeröntgen med artificiell intelligens
4 februari 2026 uppdaterad av: Rawda Hesham Abd ElAziz, Cairo University
Detektering av proximala karies i bettvingeröntgen med artificiell intelligens - En diagnostisk klinisk studie
Med hjälp av en sekvens av bettvingaröntgenbilder hjälper artificiell intelligens till att identifiera interproximala karies.
För identifiering av tandkaries i bettvinge-, periapikala och panoramaröntgenbilder kommer ett tränat djupinlärningsnätverk att skapas. Denna studie syftade till att undersöka tillförlitligheten hos en ny Artificiell Intelligens-modell baserad på djupinlärning för upptäckt av proximal karies med hjälp av digitala bettvingeröntgenbilder.
(BW).
Studieöversikt
Status
Avslutad
Betingelser
Studietyp
Observationell
Inskrivning (Faktisk)
2000
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
-
Cairo, Egypten, 11331
- Ain Shams University
-
-
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
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Patienter som besöker fakultetens tandläkarmottagning för öppenvård och som krävde bitvingsradiografisk undersökning för rutinmässig diagnos eller behandlingsplanering.
Beskrivning
Inklusionskriterier:
- Patienter med alla permanenta premolarer och molarer (maximalt en tand saknas på varje sida)
Exklusionskriterier:
- 1-Tandanomalier → Amelogenes imperfecta, Dentinogenes imperfecta, taurodontism 2- Svår trångställning som förhindrar visualisering av tandkontakter 3-Ortodontiska trådar fastsatta på emaljen på tanden
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Grupp 1 Artificiell intelligens Djupinlärning som används vid diagnostisering av proximala karies
|
Artificiell intelligens användes som ett deep learning-diagnostiskt verktyg för att upptäcka proximala karies på digitala bettvinge-röntgenbilder.
Systemet analyserade bilder och genererade sannolikhetspoäng och visuella markörer för misstänkta lesioner.
Dess prestanda jämfördes med expertundersökarnas diagnoser som referensstandard.
AI-resultaten användes endast för utvärdering och påverkade inte patientbehandlingsbeslut.
|
|
Grupp 2: Digitala bettvingar manuellt annoterade av experter
|
Digitala bitvingsröntgenbilder annoterades manuellt av kalibrerade experter för att identifiera förekomst och placering av approximalkaries.
Annotationer utfördes med standardiserade diagnostiska kriterier och specialiserad bildbehandlingsprogramvara för att markera misstänkta läsioner.
Dessa expertmarkeringar fungerade som referensstandard för jämförelse med de artificiella intelligensutdatan.
Överensstämmelse mellan granskare utvärderades, och oenigheter löstes genom konsensus.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Tidsram |
|---|---|
|
Tillförlitligheten hos den artificiella intelligensmodellen vid detektering av proximala karies på digitala bettvingeröntgenbilder
Tidsram: tvärsnittsbedömning vid baslinjen, utan uppföljningsperiod
|
tvärsnittsbedömning vid baslinjen, utan uppföljningsperiod
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Samarbetspartners
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)
15 januari 2023
Primärt slutförande (Faktisk)
15 september 2025
Avslutad studie (Faktisk)
1 december 2025
Studieregistreringsdatum
Först inskickad
4 februari 2026
Först inskickad som uppfyllde QC-kriterierna
4 februari 2026
Första postat (Faktisk)
11 februari 2026
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
11 februari 2026
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
4 februari 2026
Senast verifierad
1 februari 2026
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- CONS_ Rad 1180
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
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 .