此页面是自动翻译的,不保证翻译的准确性。请参阅 英文版 对于源文本。

AI辅助唾液诊断:利用电化学传感器平台检测牙周炎(SALIENCE) (SALIENCE)

2025年11月19日 更新者:Shariel Sayardoust、Ostergotland County Council, Sweden

开发和验证用于牙周炎唾液诊断的AI辅助电化学传感器平台

这项观察性研究旨在开发和验证一种新型的、人工智能辅助的电化学传感器平台,用于基于唾液的牙周炎诊断。 牙周炎是一种影响牙龈和牙齿支持组织的慢性炎症性疾病。 尽管其全球患病率很高,但早期诊断仍然具有挑战性,因为该疾病通常悄无声息地进展,直到发生不可逆的损害。

唾液是一种有前景的、非侵入性的诊断介质,反映了口腔和全身健康。 然而,其生物复杂性和变异性限制了其临床应用。 本项目通过将先进的电化学传感与人工智能(AI)和合成数据生成相结合,以解决这些挑战,提高诊断的精确性和可靠性。

该研究涉及收集来自诊断为牙周炎的成年参与者和健康对照者的唾液样本。 样本将使用配备多个电极的模块化传感器平台进行分析,这些电极检测来自广泛唾液生物标志物的电化学信号。 然后,使用基于真实和合成数据训练的机器学习模型处理传感器数据,以分类疾病状态。

主要目标是:

评估电化学传感器阵列在唾液分析中的性能。

开发和验证基于人工智能的算法,用于检测和区分健康和患病样本。

生成可行性数据,支持未来基于唾液的牙周炎诊断的临床实施。

这个跨学科项目结合了临床牙科、生物医学工程和计算机科学的专业知识。 它由林雪平大学和马尔默大学合作进行,患者采样在附属牙科诊所进行。

该研究预计将产生一个工作概念验证设备,能够在护理点实现实时、非侵入性的牙周炎检测。 通过实现更早的诊断和更个性化的治疗,这项技术可能改变牙周护理,并作为未来针对其他口腔和全身疾病的基于唾液的诊断的基础。

研究概览

详细说明

背景和原理 牙周炎是一种影响牙齿支持组织的慢性炎症性疾病,是全球最常见的口腔疾病之一。尽管患病率很高,但早期诊断仍然是一个重大挑战,因为当前的诊断工具依赖于回顾性指标,如牙周袋深度、探诊出血和影像学骨丧失。这些指标反映的是过去的组织破坏而非当前疾病活动,导致诊断和治疗延迟。

唾液是一种有吸引力的无创实时疾病监测诊断液体,因为它含有反映口腔和全身健康的复杂生物标志物混合物。然而,其生物变异性、基质效应和易受污染的特性限制了其作为诊断介质的可靠性。为克服这些挑战,本项目将电化学传感与人工智能(AI)驱动的数据解读和合成数据生成相结合,以实现稳健的基于唾液的诊断。

研究目标

总体目标是开发和验证一个能够检测唾液中与牙周炎相关的生化模式的AI辅助电化学传感器平台。具体目标为:

设计和优化用于唾液分析的模块化多电极传感器平台。

开发和验证用于实时信号解读和疾病分类的AI算法。

为未来在牙科护理中的临床实施生成可行性和概念验证数据。

研究设计和方法 这是一项观察性研究,涉及从诊断为牙周炎的成年参与者和健康对照受试者采集唾液样本。将从合作牙科诊所招募约25名牙周炎患者和一个扩大的对照组。

电化学传感器平台将包括多种电极类型(碳、金、铂、钯),每种都针对特定的电化学和生化特性进行选择。电极将检测广泛的唾液生物标志物,包括与炎症、氧化应激和微生物活动相关的代谢物。该系统支持多种分析模式,如差分脉冲伏安法(DPV),可在多种分析物中提供高灵敏度和分辨率。

采集的唾液样本将首先在受控实验室条件下测试,以建立基线传感器响应。选定的样本还将进行补充分析(如H-NMR、LC-MS)以进行校准和验证。传感器信号将使用监督和非监督机器学习模型(包括支持向量机和随机森林)进行处理和分类。基于生成模型(如变分自编码器)的合成数据增强将用于增加数据集多样性并提高模型泛化能力,特别是在样本数量有限的早期阶段。

实施计划 项目计划在24个月内完成,从2025年9月开始。

第1-4个月:在人工和健康唾液样本中选择和基准测试电极材料。

第5-8个月:组装第一个原型,集成AI信号采集和安全、符合GDPR的数据传输。

第9-12个月:开发合成数据集并初步训练机器学习模型。

第9-19个月:临床唾液采样和使用新数据进行迭代模型优化。

第21-24个月:在临床环境中对概念验证系统进行真实世界测试、数据分析和结果传播。

数据处理和分析 所有收集的数据将根据GDPR和伦理标准进行去标识化处理。传感器输出将与匿名临床元数据关联。机器学习模型将基于分类准确性、敏感性、特异性和对生物变异性的鲁棒性进行评估。统计分析将包括交叉验证以及跨电极配置和AI模型的性能基准测试。

预期成果和意义 本研究将产生一个功能性的AI辅助唾液诊断系统的概念验证原型。该平台旨在在护理点提供快速、无创的牙周炎检测。如果成功,它将代表牙周诊断的范式转变,实现更早检测、更有针对性的干预和改善的患者结局。

除牙周炎外,该系统的模块化设计允许适应其他疾病,包括口腔癌、全身炎症和代谢紊乱。这种灵活性增强了其作为可扩展诊断技术在牙科和医疗应用中长期潜力。

伦理考量和风险管理 本研究已获得瑞典伦理审查局批准(参考号:2025-04853-01)。所有参与者将在样本采集前提供书面知情同意。研究涉及最小风险,仅限于与唾液采样相关的不适。不会进行实验性治疗或侵入性程序。

潜在技术风险,如唾液样本变异性或设备性能问题,将通过标准化采样协议和迭代原型优化来缓解。模块化硬件设计确保单个组件可以在不影响整个系统的情况下进行调整或更换。

合作与专业知识 这个跨学科项目汇集了临床牙科、生物医学工程和计算机科学领域的专家。研究由副教授Shariel Sayardoust(林雪平大学和东约特兰省)领导,合作者包括副教授Magnus Falk、副教授Julia Davies和马尔默大学的Erdal Akin博士。与Redoxme AB的工业合作支持硬件原型设计和集成。

该联盟旨在为下一代唾液诊断奠定基础,在日常临床实践中结合AI、电化学传感和以患者为中心的护理。

研究类型

观察性的

注册 (估计的)

200

联系人和位置

本节提供了进行研究的人员的详细联系信息,以及有关进行该研究的地点的信息。

学习联系方式

研究联系人备份

参与标准

研究人员寻找符合特定描述的人,称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

  • 成人
  • 年长者

接受健康志愿者

是的

取样方法

非概率样本

研究人群

成年参与者(≥18岁)将从附属牙科诊所招募。 研究人群包括两组:(1) 根据2018年AAP/EFP分类临床诊断为牙周炎的患者,以及(2) 无牙周病症状的牙周健康成年人。 所有参与者必须能够根据研究方案提供知情同意和唾液样本。

描述

入选标准:

成人年龄≥18岁。

能够并愿意提供书面知情同意书。

能够按照方案要求提供未受刺激的全唾液样本(采样前60分钟内无进食、饮水、嚼口香糖、刷牙或吸烟)。

牙周炎组:根据2018年AAP/EFP标准临床诊断为牙周炎(例如:≥2颗非相邻牙齿的邻间临床附着丧失≥3mm伴影像学骨丧失;≥2颗牙齿的探诊深度≥4mm)。

健康对照组:无牙周病临床体征(探诊深度均≤3mm,探诊出血<10%,且无影像学骨丧失)。

排除标准:

过去3个月内使用过全身性抗生素或全身性抗炎/免疫抑制治疗。

过去6个月内接受过牙周治疗(洁治/根面平整或手术)。

当前存在急性口腔感染或脓肿。

已知会显著改变唾液成分/流量的系统性疾病(例如:干燥综合征、既往头颈部放疗、正在进行的化疗、未受控制的糖尿病)。

使用强致口干药物且未稳定剂量≥4周,或存在临床意义的唾液分泌过少无法完成采样。

无法遵守采样程序(例如:采样前60分钟不能禁食/禁饮/禁烟)。

妊娠或哺乳期。

学习计划

本节提供研究计划的详细信息,包括研究的设计方式和研究的衡量标准。

研究是如何设计的?

设计细节

队列和干预

团体/队列
牙周炎组
根据临床标准诊断为牙周炎的成年人。
健康对照组
无牙周病临床症状的成年人。

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
AI辅助电化学唾液传感器检测牙周炎的敏感性和特异性
大体时间:研究开始后 24 个月内(数据收集和分析结束)。

该结果通过计算灵敏度、特异性、阳性预测值(PPV)、阴性预测值(NPV)以及受试者工作特征曲线下面积(AUC),评估AI辅助电化学传感器平台的诊断准确性。 该平台分析唾液样本中的电化学信号模式,基于AI的分类模型预测参与者是否患有牙周炎。

将根据2017年世界研讨会分类标准,通过全口临床检查确定临床牙周状况(牙周炎与牙周健康)。 传感器平台的诊断准确性指标将与此临床金标准进行比较。

研究开始后 24 个月内(数据收集和分析结束)。

次要结果测量

结果测量
措施说明
大体时间
电化学唾液传感器信号组内重复性(变异系数)
大体时间:在整个24个月的研究期间进行测量。
该结果将评估传感器阵列在分析唾液样本时所产生的电化学信号测量的运行内重复性。 重复性将通过变异系数(CV%)进行量化,该系数是在标准化实验室条件下对同一唾液样本进行多次连续测量计算得出的。
在整个24个月的研究期间进行测量。
传感器输出与生化参考分析之间的相关性
大体时间:24个月
评估电化学传感器响应与常规生化或分子参考方法(例如,LC-MS、H-NMR)之间的相关性,以验证分析准确性。
24个月
人工智能辅助唾液传感器平台临床应用的系统可用性量表(SUS)得分
大体时间:24个月

临床实施的可行性将使用系统可用性量表(SUS)进行评估,这是一个经过验证的10项问卷,提供从0到100的全局可用性评分。 SUS评分将评估临床工作人员使用AI辅助唾液传感器平台时的感知可用性、可学习性以及融入牙科工作流程的程度。 分数越高表明常规临床实施的可用性和可行性越好。

SUS评分将使用均值和标准差进行汇总。

24个月

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查,以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (估计的)

2025年12月1日

初级完成 (估计的)

2027年12月31日

研究完成 (估计的)

2028年6月30日

研究注册日期

首次提交

2025年11月15日

首先提交符合 QC 标准的

2025年11月19日

首次发布 (实际的)

2025年11月28日

研究记录更新

最后更新发布 (实际的)

2025年11月28日

上次提交的符合 QC 标准的更新

2025年11月19日

最后验证

2025年10月1日

更多信息

与本研究相关的术语

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)?

不

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

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.

订阅