儿童牙菌斑检测的人工智能模型和临床评估的比较准确性
使用不同人工智能模型从口内图像检测牙菌斑的准确性与一组儿童的临床评估：诊断准确性研究。
研究概览
详细说明
研究标题：
使用不同人工智能模型从口内图像检测牙菌斑的准确性与一组儿童的临床评估：诊断准确性研究
研究概述：
这项观察性诊断准确性研究旨在评估多种人工智能 (AI) 模型在从口内图像检测牙菌斑方面的性能，与合格牙医进行的传统临床评估相比。 主要关注的是儿科患者，因为牙菌斑的早期检测和管理对于维持儿童口腔健康至关重要。
背景和理由：
牙菌斑是牙齿上形成的生物膜，如果管理不当，可能会导致龋齿和牙周病。 传统的牙菌斑检测方法依赖于牙科专业人员的视觉评估，这可能是主观的并且准确性可能有所不同。 人工智能和图像处理的最新进展为通过口内图像增强牙菌斑的检测和量化提供了机会，从而有可能提供更客观、更有效的评估工具。
目标：
比较人工智能模型检测牙菌斑与临床评估的准确性。
确定人工智能技术的敏感性、特异性和整体诊断性能。
分析人工智能模型融入儿科患者常规牙科检查的潜力。
方法论：
参与者：将招募儿科患者样本，确保不同人口统计数据和牙齿健康状况的多样化代表。
图像采集：将使用标准化成像协议捕获口内图像以确保一致性。 高分辨率图像将在受控条件下获得，以尽量减少变异性。
人工智能模型：各种人工智能算法，包括卷积神经网络（CNN）和深度学习技术，将使用带注释的口内图像数据集进行训练。 这些模型将根据其识别和量化牙菌斑的能力进行评估。
临床评估：经过培训的牙医将使用标准牙菌斑指数进行临床检查，以评估同一组儿童中牙菌斑的存在和严重程度。
数据分析：采用统计方法将AI模型的诊断准确性与临床评估进行比较，包括敏感性、特异性、阳性预测值和阴性预测值的计算。
预期成果：
该研究旨在阐明人工智能在增强儿童牙菌斑检测方面的作用，从而有可能改善预防保健和治疗策略。 这些发现也可能有助于为牙科医生开发人工智能辅助工具。
道德考虑：
这项研究将遵守道德准则，确保获得儿科参与者的法定监护人的知情同意。 研究开始前将获得相关机构审查委员会 (IRB) 的批准
研究类型
注册 (估计的)
联系人和位置
学习联系方式
- 姓名：Naema Altrablsi
- 电话号码：00201152442411
- 邮箱：naema.altrablsi@dentistry.cu.edu.eg
研究联系人备份
- 姓名：Hala Mohiey Eldin, Prof. Doctor
- 电话号码：00201001459467
- 邮箱：hala.mohyeldin@dentistry.cu.edu.eg
学习地点
-
-
-
Cairo、埃及、11511
- Cairo University
-
接触：
- cairo universitty
- 电话号码：0020238355275
- 邮箱：naema.altrablsi@dentistry.cu.edu.eg
-
首席研究员：
- Naema Ahmed
-
-
参与标准
资格标准
适合学习的年龄
- 孩子
接受健康志愿者
取样方法
研究人群
描述
纳入标准：
.研究参与者：年龄范围（7-12）岁的儿童。 .没有金属牙冠或汞合金修复体的牙齿。
排除标准：
- 患有牙釉质发育缺陷的儿童
- 不愿配合或有智力障碍的儿童，禁止拍照。 .其法定监护人的儿童不会同意参加本研究。
学习计划
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
有牙菌斑儿童的口内图像供牙医评估
干预概述：参与者将使用[口腔内窥镜]进行口腔内成像。 干预概述：经过培训的牙医或牙科保健员将使用标准临床标准对每个孩子的牙菌斑水平进行临床评估。 评估方法：临床评估将涉及目视检查，并可能使用斑块指数来评估存在的斑块数量。 数据收集和分析： 结果衡量：将比较人工智能模型和临床评估的结果，以计算诊断准确性指标，例如敏感性、特异性、阳性预测值和阴性预测值。 |
|
|
有牙菌斑儿童的口内图像，供 AI 模型评估
干预概述：参与者将使用[口腔内窥镜]进行口腔内成像。 AI 模型：将使用专为牙菌斑检测设计的不同 AI 模型来分析图像。 数据收集和分析： 结果衡量：将比较人工智能模型和临床评估的结果，以计算诊断准确性指标，例如敏感性、特异性、阳性预测值和阴性预测值。 |
描述：合格的牙医将对参与者进行传统的临床检查，使用标准检查技术评估牙菌斑。 这将作为比较人工智能模型的参考标准。 研究程序图像采集：将使用[口内相机]拍摄每个参与者的口内图像。 AI模型评估：将使用不同的AI算法对捕获的图像进行分析，其中可能包括。 |
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
牙菌斑检测的准确性
大体时间：主要结果将在基线进行评估 在进行任何干预之前，将使用人工智能模型和临床评估来捕获和评估口内图像。
|
主要结果指标评估不同人工智能模型在从口内图像检测牙菌斑方面与临床评估相比的诊断准确性。
|
主要结果将在基线进行评估 在进行任何干预之前，将使用人工智能模型和临床评估来捕获和评估口内图像。
|
合作者和调查者
赞助
调查人员
- 研究主任：Cairo University、Cairo University
研究记录日期
研究主要日期
学习开始 (估计的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.