Authors: V. Nagyová 1; 2; D. Blaňár 3; J. Kybic 3; A. Tichý 1,2,4 Authors‘ workplace: Stomatologická klinika, 1. lékařská fakulta, Univerzita Karlova, Praha 1; Stomatologická klinika, Všeobecná fakultní nemocnice v Praze 2; Katedra kybernetiky, Fakulta elektrotechnická, České vysoké učení technické, Praha 3; Klinika záchovné stomatologie a parodontologie, LMU Klinikum, Mnichov, Německo 4 Published in: Česká stomatologie / Praktické zubní lékařství, ročník 125, 2025, 3, s. 73 Category:
Úvod a cíl: Vzhledem k rostoucímu významu a popularitě umělé inteligence (AI) jsme navázali na předchozí projekt, jehož výstupem byl vývoj AI aplikace k detekci zubního kazu na snímcích typu bitewing (BW), a v této studii jsme hodnotili její efektivitu v učení studentů rozpoznat kazy v porovnání s jinými metodami výuky.
Metodika: Do studie bylo zařazeno 52 studentů. Po označení kazů na 50 úvodních snímcích byli studenti rozděleni do tří skupin, z nichž každá absolvovala jiný typ tréninku: skupina A obdržela předem nahranou přednášku vysvětlující principy detekce kazu, skupina B měla k dispozici dataset s označenými kazy a skupina C měla přístup k AI aplikaci. Po tréninku studenti označovali kazy na jiné sadě 50 snímků. Anotace studentů získané před tréninkem a po něm byly porovnány s referenčními standardy vytvořenými zkušenými zubními lékaři. Při vyhodnocení výsledků byla kromě typu absolvovaného tréninku rovněž zohledněna fáze studia jednotlivých studentů.
Výsledky: Všechny modality tréninku vedly ke zvýšení senzitivity detekce kazu, byť zlepšení bylo statisticky signifikantní pouze pro skupiny B a C. Skupina A vykazovala nejvyšší hodnoty již před tréninkem a následné zlepšení po tréninku bylo signifikantně menší než ve skupině B. Chybovost se statisticky významně snížila ve skupinách A a C, nejvíce ve skupině C. Ta však vykazovala nejvyšší úvodní chybovost i největší variabilitu v počtu chyb po tréninku. Ve všech skupinách se po tréninku signifikantně více překrývaly anotace studentů s anotacemi expertů. Studenti bez klinických zkušeností dosahovali nejhorších výchozích hodnot, ale po tréninku se významně zlepšili ve všech metrikách, byť efekt tréninku byl více variabilní než u studentů s klinickými zkušenostmi. Ve vyšších ročnících se chybovost po tréninku přiblížila zubním lékařům s méně než pětiletou praxí.
Závěr: AI aplikace pro detekci zubního kazu by mohla být využívána ve výuce zejména u studentů nižších ročníků, kteří mají omezené klinické zkušenosti.
Don‘t have an account? Create new account
Enter the email address that you registered with. We will send you instructions on how to set a new password.
