Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Development and Validation of a Deep Learning Model to Predict Endodontic Retreatment Difficulty From Periapical Radiographs (Ai Retreatment)

20 maj 2026 uppdaterad av: Noha Mohamed Elsaber, Cairo University
The aim of this study is to develop and evaluate an artificial intelligence-based model capable of analyzing periapical radiographs of maxillary and mandibular molars to predict the difficulty level of non-surgical root canal retreatment. By integrating deep learning techniques with routinely acquired periapical radiographs, this study aims to enhance diagnostic support, improve clinical decision-making, and facilitate appropriate case selection or referral in endodontic practice.

Studieöversikt

Status

Har inte rekryterat ännu

Betingelser

Intervention / Behandling

Studietyp

Interventionell

Inskrivning (Beräknad)

123

Fas

  • Inte tillämpbar

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

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

  • Barn
  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Beskrivning

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

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

  • Primärt syfte: Diagnostisk
  • Tilldelning: N/A
  • Interventionsmodell: Enskild gruppuppgift
  • Maskning: Ingen (Open Label)

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Experimentell: 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.
Diagnostiskt test: 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.
Andra namn:
  • AI-modell
  • Djuplärande modell
  • CNN model

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
diagnostic accuracy
Tidsram: 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

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Cairo University

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 (Beräknad)

1 juli 2026

Primärt slutförande (Beräknad)

1 januari 2027

Avslutad studie (Beräknad)

1 januari 2027

Studieregistreringsdatum

Först inskickad

14 maj 2026

Först inskickad som uppfyllde QC-kriterierna

20 maj 2026

Första postat (Faktisk)

28 maj 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

28 maj 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

20 maj 2026

Senast verifierad

1 maj 2026

Mer information

Termer relaterade till denna studie

Nyckelord

Andra studie-ID-nummer

  • newendo7.1.1

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 .

Prenumerera