人工智能驱动的智能手机应用程序AICaries改善了儿童家庭龋齿筛查：适度和无节制的可用性测试

尼斯林·贾拉德，奥莉安娜·吕-马佩斯，郝沛荣，阮金龙，阿什温·拉梅什，罗杰波，童桐吴，蒂莫西·戴伊，诺哈·拉什万，任俊华，张勋吉，路易斯?门德斯，诺拉·阿洛梅尔，[ ... ],金晓[ 查看全部 ]

出版日期： 2022年06月02日-厦门杂志期刊论文发表

抽象

儿童早期龋齿（ECC）是全世界最常见的儿童疾病，服务不足的儿童之间存在健康差异。ECC 是可预防的，如果及早发现，也是可逆的。然而，许多来自低收入家庭的儿童在牙科护理方面遇到了障碍。无论患者的经济状况如何，家庭龋齿检测技术都可能改善获得牙科护理的机会，并解决ECC的压倒性患病率。我们的团队开发了一个智能手机应用程序（应用程序），AICaries，它使用人工智能（AI）驱动的技术，使用儿童牙齿照片检测龋齿。我们使用混合方法来评估AICaries应用程序在服务不足的亲子二元组中的接受度，可用性和可行性。我们使用“大声思考”方法对十个亲子二元组进行了适度的可用性测试（第 1 步），以评估应用的流程和功能，并分析数据以优化应用和程序。接下来，我们对32个亲子二元组进行了无节制的现场测试（第2步），以在两周内在自然环境（家庭）内测试应用程序。我们管理了系统可用性量表（SUS），并与家长进行了半结构化的个人访谈，并进行了专题分析。AICaries应用程序从参与者那里获得了78.4的SUS分数，表明他们得到了很好的接受。值得注意的是，大多数（78.5%）父母拍摄的儿童牙齿照片在使用AI应用程序检测龋齿的质量方面令人满意。家长们建议，利用社区卫生工作者为需要帮助的父母提供培训，以拍摄幼儿牙齿的高质量照片。使用AICaries应用程序的好处包括方便的家庭龋齿筛查，有关龋齿风险和教育的信息，以及吸引家庭成员。这项研究的数据支持未来的临床试验，该试验评估了使用这种创新的智能手机应用程序对低收入儿童ECC的早期检测和预防的实际影响。

作者摘要

儿童早期龋齿（ECC）是全世界最常见的儿童疾病，服务不足的儿童之间存在健康差异。ECC 是可预防的，如果及早发现，也是可逆的。然而，许多来自低收入家庭的儿童在牙科护理方面遇到了障碍。无论患者的经济状况如何，家庭龋齿检测技术都可能改善获得牙科护理的机会，并解决ECC的压倒性患病率。我们的团队开发了一个智能手机应用程序（应用程序），AICaries，它使用人工智能（AI）驱动的技术，使用儿童牙齿照片检测龋齿。使用AICaries，父母可以使用他们的常规智能手机拍摄孩子的牙齿照片，并在AICaries的帮助下检测ECC，使他们能够在早期和可逆的阶段积极为孩子寻求治疗。使用AICaries，父母还可以获得降低孩子龋齿风险的基本知识。目前的研究评估了AICaries的可用性，可接受性和可行性。我们的研究结果表明，AICaries应用程序在参与的父母中被广泛接受。

引文： Al-Jallad N，Ly-Mapes O，Hao P，Ruan J，Ramesh A，Luo J等人（2022）人工智能驱动的智能手机应用程序AICaries改善了儿童家庭龋齿筛查：适度和无节制的可用性测试。PLOS Digit Health 1（6）：e0000046。https://doi.org/10.1371/journal.pdig.0000046

编辑 器： Matthew Chua Chin Heng，新加坡国立大学，新加坡

收到： 三月 4， 2022;接受： 四月 15， 2022;发表： 六月 2， 2022

版权所有： ? 2022 Al-Jallad等人。这是一篇根据知识共享署名许可条款分发的开放获取文章，允许在任何媒体上不受限制地使用，分发和复制，前提是注明原作者和来源。

数据可用性： 所有数据都在手稿和/或支持信息文件中。

资金： 本研究由NIDCR研究拨款R21DE030251支持。JX的工作也得到了NIDCR研究拨款K23DE027412的支持。资助者在研究设计，数据收集和分析，出版决定或手稿准备方面没有任何作用。

竞争利益： 作者宣布不存在相互竞争的利益。

介绍

儿童早期龋齿（ECC）是最常见的慢性儿童疾病，对贫困学龄前儿童造成不成比例的折磨[1，2]。ECC的发病和进展为“快速”、“侵袭性”、“疼痛”、“复发”，并且经常需要在全身麻醉下进行完全口腔康复[3]。ECC后果包括新发龋齿病变的风险增加、治疗费用和时间增加、上学时间减少、学习能力下降、口腔健康相关生活质量下降、住院和急诊室就诊[4]。它也是一种治疗成本高昂的疾病，对公共卫生系统构成重大挑战[2]。

作为一种多因素疾病，ECC通过微生物发酵积聚在牙齿表面的牙菌斑中的碳水化合物而启动[5]。牙菌斑中持续的酸性环境导致牙齿坚硬表面的脱矿质，从而导致龋齿的最终发展[5]。龋齿进展的一个独特特征是早期可逆阶段，此时脱钙的白点可以通过适当的措施重新矿化，例如适当的口腔卫生习惯，从高糖饮食转变为低糖饮食，局部氟化物的应用等。然而，早期生活中的白点和早期龋齿在家庭环境中往往无法识别，因此这个关键窗口经常被遗漏。迫切需要通过mDentistry工具（如智能手机应用程序）对儿童进行家庭龋齿筛查，特别是在牙科护理机会有限的人群中[6]。

智能手机应用程序（应用程序）已成功开发并用于帮助人们管理健康行为和疾病[7]，例如戒烟、减肥、药物依从性和帕金森病进展监测[7，8]。由于77%的美国人拥有智能手机[9]，智能手机应用程序代表了一种在幼儿及其父母中提供口腔健康干预措施的合适和创新方式。然而，目前的口腔健康智能手机应用程序在范围和受众方面都受到限制。大多数是供牙科专业人员用来评估龋齿风险或创伤管理而设计的，但不是为公众设计的，即供用户评估自己的风险和/或支持用户对龋齿风险因素的自我管理。据我们所知，没有任何应用程序可以满足低收入和少数族裔儿童的需求，他们受到ECC的影响尤为严重，并且获得口腔卫生保健的机会有限[10]。

Mari?o和Ghanim将远程牙科广义地定义为“应用各种信息和通信技术（ICT）来促进地理上遥远的患者和/或从业者的口腔保健[11]。远程牙科有望改善获得护理的机会，特别是在弱势儿童中[10]。它提供远程口腔保健咨询，并通过训练有素的教授拍摄的图像诊断龋齿。然而，Teledentistry的诊断过程需要牙医亲自检查照片。此外，一些地区缺乏支持远程牙科的基础设施。人工智能（AI）代表了Teledentistry的新兴辅助手段。虽然人工智能目前用于帮助成像识别，以改善许多医学领域的疾病诊断，包括肿瘤学，眼科，放射学等[12-15]，但人工智能尚未在牙科中开发用于远程龋齿检测，用于服务不足的患者获得口腔保健的机会有限。

为了弥补这一差距，我们开发了一款对患者友好的智能手机应用程序，并结合AI驱动的龋齿检测，有望促进ECC的早期临床确认和治疗[16]。在这项研究中，我们采用了基于社区的参与式研究策略，以测试AI驱动的智能手机应用程序AICaries在父母/护理人员中对孩子龋齿检测的可用性。

材料和方法

AICaries 应用组件和功能流

我们之前由AI成像识别，口腔健康和移动健康（mHealth）专家的合作工作导致了患者友好型智能手机应用程序的原型，并结合了AI驱动的龋齿检测。这个AICaries应用程序原型提供了a）使用父母智能手机拍摄的儿童牙齿照片进行AI驱动的龋齿检测，b）交互式龋齿风险评估，以及c）降低儿童ECC风险的个性化教育。图 1 演示了 AICaries 应用组件和应用功能流。

thumbnail 下载：

断续器幻灯片

巴新放大图像

断续器原始图像

图 1. AICaries智能手机应用程序功能流。

A. AICaries 应用程序主页。B.为了吸引应用程序的使用，用户将从拍摄牙齿照片进行龋齿检测评估开始。牙齿照片将通过图像质量检查器。通过质量检查的图像将进入下一步，“AI驱动的龋齿检测”。如果图像未通过质量检查，该应用程序将指示用户重新拍摄牙齿照片，直到达到所需的质量。C.然后，该应用程序将为每颗牙齿生成龋齿状态报告。在“龋齿状态报告”界面上，用户将为下一步做出选择，例如使用以前开发的风险评估系统评估龋齿风险（D）。用户将收到龋齿风险为低，中或高（E）。在龋齿状态报告界面（C）上，用户还可以选择“降低风险”以访问围产期口腔健康教育（F）或单击“查找牙医”以获取牙科诊所信息。右上角图标链接到应用主页。

https://doi.org/10.1371/journal.pdig.0000046.g001

为了提高应用参与度，用户首先使用智能手机的摄像头拍摄牙齿图像，以进行龋齿检测评估。照片通过图像质量检查器进行处理，该检查器评估图像的模糊度，黑暗度和亮度（图1B）。通过质量检查处理到下一步“AI驱动的龋齿检测”的图像。如果图像未通过质量检查，该应用程序会指示用户重新拍摄牙齿照片，直到达到令人满意的质量。然后，该应用程序为每颗牙齿生成龋齿状态报告（图1C）。在龋齿状态报告界面上，用户可以为下一步做出选择，例如使用先前开发的风险评估系统评估龋齿风险（图1D）。用户将龋齿风险分为低，中或高（图1E）。在龋齿状态报告界面（图1C）上，用户可以选择“降低风险”来访问围产期口腔健康教育（图1F）或单击“查找牙医”以获取牙科诊所信息。AICaries在龋齿检测中的表现先前已有报道[17]。

可用性研究概述

该研究伦理申请已由罗切斯特大学研究主题审查委员会（#5772，3953和5949）审查和批准。在目前的研究中，我们通过两个步骤测试了AICaries智能手机应用程序的可用性。详细的研究方案先前已经发表[16]。第1步是适度的可用性测试，参与者在研究团队的协助下，在研究智能手机上测试应用程序;第2步是无节制的现场测试，其中AICaries安装在参与者的智能手机上，并由参与者在家中进行测试。步骤 1 根据参与者的反馈优化应用程序。第2步使用混合方法获取反馈并评估应用程序组件的可用性，应用程序流程，以及父母是否可以在自然环境中自己拍摄儿童牙齿的诊断照片[16]。研究流程如图2所示。

thumbnail 下载：

断续器幻灯片

巴新放大图像

断续器原始图像

图 2. 研究流程。-厦门杂志期刊论文发表

https://doi.org/10.1371/journal.pdig.0000046.g002

研究参与者

共有37名父母和37名符合资格标准的儿童参加了这项研究。在以下两个地点进行面对面的招聘：罗切斯特大学医学中心（URMC），伊士曼口腔健康研究所（EIOH）围产期牙科诊所和高地家庭医学（HFM）。URMC-EIOH围产期牙科诊所为社会经济上处于不利地位的孕妇，产后妇女和有资格享受国家支持的医疗补助类保险的幼儿提供服务。URMC-HFM是纽约州罗切斯特市最大的家庭医学住院医师教学实践之一，为成人和儿童提供从出生到儿童的全面医疗保健。

10个亲子二元组参加了步骤1的调节可用性测试，32个亲子二元组参加了步骤2无节制的现场测试，28对完成了研究。在32个二元组中，其中5个完成了步骤1测试，然后选择参加步骤2测试。

资格

资格标准是a）18岁或以上的父母，他们有1至5岁的幼儿，b）有资格获得国家支持的医疗补助类型的保险（注意，我们正在使用保险资格来选择低收入参与者），c）讲英语（同意书用英语书写，App用英语书写），d）能够提供签名和注明日期的知情同意书， 和e）有一个可以安装AICaries应用程序的Android智能手机。患有口面部畸形（唇裂，腭裂，口咽肿块）或唐氏综合征或其他发育障碍的儿童被排除在外。

AICaries 应用任务评估步骤 1 中调节的可用性测试

我们使用即时数据分析[18]对每个会话进行录像并立即进行审查，并注意照片图像质量。我们定义了成功使用该应用程序所需的关键可用性任务。这包括应用程序界面的导航，访问和完成美国牙科协会的风险评估，特别是使用拍照界面拍摄孩子门牙的可用照片。我们将每个任务分为1）关键（继续所需的帮助），2）严重（主要延迟和/或沮丧），或3）装饰（次要）并注释到确切的界面/任务。根据排名，该团队讨论了教学视频，应用程序设计和学习程序的变化。我们以迭代方式将更改合并到后续测试会话中。在进行了10次单独的可用性测试后，我们达到了数据饱和度[19]（没有新的建议更改）。

步骤 2 无节制现场测试中的评估

无节制现场测试允许最终用户在其自然环境中与 AICaries 应用程序进行交互。我们在招聘教育程度、年龄和智能手机熟练程度一定程度的父母时，使用了相同的招聘和资格标准。在知情同意后，包括对应用程序进行远程监控的许可，参与者将AICaries应用程序下载到他们的智能手机上。在两周多的时间里，研究小组发送的短信提醒参与者拍摄孩子的门牙照片。两周后，我们通过问卷调查对系统可用性量表（SUS）进行了面对面的评估。SUS仪器[20-22]在商业和技术行业以及移动医疗领域被广泛采用，以测量和量化对产品和服务可用性的感知。它由一个10个项目的调查问卷组成，每个项目有五个响应选项，从“强烈同意”到“强烈不同意[23]”。这些语句涉及系统使用的一系列方面，例如复杂性、易用性和可学习性。然后对每个参与者的回答进行评分，使SUS总分在0-100之间[24]。SUS分数高于68表示可用性高于平均水平;高于80.3的分数表示AICaries应用程序的出色可用性。每位参与者都接受了采访，以评估他们对使用AICaries应用程序的挑战，好处和进一步改进建议的看法。半结构化访谈指南，详见研究方案[16]。访谈环节经过录音、转录，并对专题内容进行定性分析。训练有素的牙医评估了所拍摄图像的数量和质量。

数据分析

对于定性数据，步骤1可用性测试和步骤2现场测试的转录数据使用预定的开放代码进行编码。根据参与者和团队的建议，进一步分析了主题内容，以解决与使用该应用程序相关的关键任务的障碍。

对于第 2 步现场测试，我们收集了基线人口统计信息和参与者以前使用智能手机 aps 的经验。SUS分数按性别，教育水平，就业状况和以前用手机拍摄牙齿照片的经验进行分层，并在测试数据正态性后使用Mann-Whitney U测试比较上述类别。进行多元线性回归，以评估因素（性别，种族，教育，以前拍摄牙齿照片的经验）和SUS评分的潜在关联。我们进一步评估了定量的应用程序使用指标，即屏幕之间的时间，使用频率以及所拍摄图像的数量/质量（照片是否可用于龋齿的临床诊断）。诊断图像应包括目标牙齿的所有解剖结构，而不是被其他牙齿或软组织组织（如嘴唇或脸颊）的解剖结构所覆盖。所有统计测试都是双面的，显着水平为5%。SPSS IBM用于统计分析。

结果

参与者的特征

在第1步中，我们总共招募了10名父母，其中90%为女性，20%为黑人或非裔美国人，60%为白人，20%为其他或混血儿。我们在步骤2中招募了32名家长。样本以女性为主，种族多样（表1）。值得注意的是，超过90%的参与者父母报告以前使用过医疗/健康相关应用程序，而参与的父母都没有报告使用牙科护理相关应用程序的经验。有趣的是，大约60%的父母报告说他们以前曾尝试用手机拍摄牙齿照片。

thumbnail 下载：

断续器幻灯片

巴新放大图像

断续器原始图像

表 1. 参与者的人口 - 社会经济 - 行为信息。

https://doi.org/10.1371/journal.pdig.0000046.t001

AI卡里斯易用性

我们在步骤 1 可用性测试中评估的 7 个任务的结果如图 3 所示。所有参与的父母（n = 10）都能够在学习手机上找到应用程序图标，而不会遇到任何挑战;其中90%的人可以在没有任何挑战的情况下浏览应用程序界面。在龋齿风险评估中，40%的父母在没有挑战的情况下完成了风险评估，40%的父母完成了美容挑战，20%的父母完成了中等挑战。对于使用AICaries应用程序拍照，40%的父母在没有遇到挑战的情况下拍摄了孩子的门牙照片。然而，父母在拍摄孩子后牙的照片时面临更多挑战;只有20%的人可以在没有挑战的情况下完成这项任务。

thumbnail 下载：

断续器幻灯片

巴新放大图像

断续器原始图像

图 3. 步骤 1 中的任务评估和完成时间调节的可用性测试。

共评估了7项任务。（A）所有参与的家长（n = 10）在学习手机上找到了应用程序图标，没有挑战。（B）他们中的90%可以在没有挑战的情况下浏览应用程序界面。（C）在龋齿风险评估中，40%的父母完成了无挑战的风险评估，40%的具有美容挑战，20%的父母完成了中等挑战。（D）使用AICaries应用程序拍照，40%的父母在没有遇到挑战的情况下拍摄了孩子的门牙照片。（五）参与家长在拍摄子女后牙照片时面临更多挑战;只有20%的人可以在没有挑战的情况下完成这项任务。在每个任务上花费的时间显示在条形图中。在图3D和3E中，两张照片（门牙和后牙）是由一名4岁孩子的母亲使用AICaries应用程序拍摄的，没有挑战。

https://doi.org/10.1371/journal.pdig.0000046.g003

在评估每项任务上花费的时间（结果见图3）时，完成龋齿风险评估任务所花费的时间最长，范围为3-15分钟。所有其他任务，包括使用AICaries应用程序拍摄牙齿照片，只花了不到1分钟。

大多数（78.6%，22/28）的参与父母能够获得口腔疾病检测所需的令人满意的质量的孩子牙齿照片（表2）。在第1步的可用性测试中，10个父母中有8个能够使用该应用程序拍摄孩子牙齿（前牙和后牙）的照片。80%的研究对象（n = 8）共拍摄了106张照片，平均为10.6张（SD 13.3）;在总共106张照片中，70张照片是清晰的，56张照片适合龋齿AI评估。在总共106张照片中，38张（38%）的照片是门牙，23张照片是清晰的，这些清晰照片的19张照片被认为是诊断照片（82.6%）。图3所示为父母拍摄的牙齿照片示例。在图3D和3E中，这两张照片是由一个4岁孩子的母亲使用AICaries应用程序拍摄的，没有任何挑战。

thumbnail 下载：

断续器幻灯片

巴新放大图像

断续器原始图像

表 2. 参与者拍摄的口内照片。

https://doi.org/10.1371/journal.pdig.0000046.t002

在第2步的现场测试中，89%的参与父母（28人中有25人）使用AICaries App为孩子的牙齿（前牙和后牙）拍照，见表2。参与家长共拍摄334张照片，每位家长平均拍摄11.9±12.0张牙齿照片;在这些照片中，52%（174）是透明的，45%（149）是诊断龋齿评估。此外，父母拍摄的牙齿照片大部分是门牙照片（90.7%）。值得注意的是，78.6%（22/28）的父母为孩子的门牙生成了至少1张诊断照片，并且在步骤1和步骤2测试之间拍摄诊断照片的能力方面没有显着差异（p = 0.05）。图4显示了父母使用AICaries应用程序拍摄的儿童门牙照片的示例。左边的图像是清晰的，通过包括上门牙的所有解剖结构来诊断。右边的图像清晰但不具有诊断意义，因为下唇部分覆盖了上门牙的解剖结构。

thumbnail 下载：

断续器幻灯片

巴新放大图像

断续器原始图像

图 4. 父母拍摄的诊断和非诊断性门牙照片示例。

父母使用AICaries应用程序拍摄的孩子的门牙照片示例。左边的图像清晰且具有诊断意义，包括上门牙的所有解剖结构，并通过AICaries算法进行了正确的诊断（所有上门牙都是健康的，没有蛀牙，用绿色框标记）。右边的图像清晰但不具有诊断意义，因为下唇部分覆盖了上门牙的解剖结构。由于牙齿图片不完整，AI算法没有对所有上门牙进行正确的龋齿筛查，两颗健康牙齿用橙色框标记为“早期蛀牙”。

https://doi.org/10.1371/journal.pdig.0000046.g004

AICaries在现场的可用性

AICaries 应用的 SUS 得分为 78.4 ± 13.4（平均± SD）。我们发现，在性别、教育水平和就业状况方面，SUS评分无统计学意义差异（p<0.05）。有趣的是，以前有或没有为孩子的牙齿拍照经验的父母之间也没有显着差异（结果见图5）。SUS各个项目的额定值如图6所示。此外，多元线性回归分析没有发现性别，种族，教育，以前拍摄牙齿照片的经验之间存在显着关联（F值1.01，p = 0.42，S1表）。对每个SUS项目的反应被转换为从强烈消极到强烈积极的等级。在这十个项目中，超过70%的参与者的反应是积极的（积极的和强烈的积极），这表明AICaries应用程序的可用性得到了很好的感知。例如，70%的参与者喜欢经常使用该应用程序，并且对使用该应用程序充满信心;不到10%的参与者认为他们需要技术支持才能使用该应用程序。

thumbnail 下载：

断续器幻灯片

巴新放大图像

断续器原始图像

图 5. AICaries应用程序的系统可用性分数（步骤2无节制现场测试）。

男性和女性（A），以前有或没有为子女牙齿拍照经验的父母（B），具有等于或超过大学及大学以下教育程度的参与者（C）以及具有不同就业状况的父母（D）之间未发现显着差异。n = 28。

https://doi.org/10.1371/journal.pdig.0000046.g005

thumbnail 下载：

断续器幻灯片

巴新放大图像

断续器原始图像

图 6. 对系统可用性评分项的反馈（步骤 2 无节制现场测试）。

对系统可用性评分的每个项的响应将转换为从强负到强正的等级。在这十个项目中，超过70%的参与者的反应是积极的（积极的和强烈的积极），这表明AICaries应用程序的可用性得到了很好的感知。例如，70%的参与者喜欢经常使用该应用程序，并且对使用该应用程序充满信心;不到10%的参与者认为他们需要技术支持才能使用该应用程序。

https://doi.org/10.1371/journal.pdig.0000046.g006

定性访谈证实了参与的父母对AICaries的接受。选定的报价列于表3中。

thumbnail 下载：-厦门杂志期刊论文发表

断续器幻灯片

巴新放大图像

断续器原始图像

表 3. 参与者关于接受AICaries的说明性引述。

https://doi.org/10.1371/journal.pdig.0000046.t003

利用AICaries促进儿童口腔健康的益处和挑战

图7总结了步骤2无节制现场测试中参与者对使用AICaries应用程序所感知到的好处和遇到的挑战的反馈，以及为未来用户解决挑战的拟议解决方案。定性分析表明，使用AICaries应用程序有各种好处，包括及早发现龋齿，帮助父母或照顾者维持和改善孩子的口腔健康，以及鼓励儿童参与口腔健康促进。

thumbnail 下载：

断续器幻灯片

巴新放大图像

断续器原始图像

图 7. AICaries应用程序用户所感知的挑战和解决方案。

https://doi.org/10.1371/journal.pdig.0000046.g007

使用AICaries应用程序所感知的挑战包括两个主要类别：1）拍摄令人满意的牙齿照片和2）提高AICaries应用程序的采用率和用户之间的持续参与度。虽然78%的父母可以为他们的孩子拍摄至少1张诊断牙齿照片，但参与者表达了他们希望更好地拍摄照片的愿望。为了克服这一挑战，提出了几种解决方案，包括提供使用智能手机为儿童拍摄牙齿照片的多媒体教程，通过奖励和多次尝试来提高儿童的合作性，让多个家庭成员参与拍照。创新建议包括让社区卫生工作者协助和培训父母，并结合口内摄像头等照片捕捉设备来增强口内照片拍摄。促进应用程序参与度的拟议解决方案是使用社交媒体和在线论坛来提高社区意识和应用程序参与度，发送通知和提醒，为口腔健康改善提供反馈，以及通过将患者与牙科诊所联系起来提供诊所资源以进行所需的治疗。

讨论

目前的研究评估了父母或看护者用来监测和改善孩子口腔健康的创新智能手机应用程序（AICaries）的可用性，可接受性和可行性。我们的研究结果表明，AICaries应用程序在参与的父母中被广泛接受。

首先，AICaries的可用性由SUS评估。任何技术产品的可用性都需要根据如何使用以及用于何种目的来评估。ISO 9241–11 人系统交互的人体工程学 [25] 为理解可用性概念提供了一个框架，并建议可用性的衡量标准应包括：a） 有效性（用户使用该工具完成任务的能力，以及这些任务的产品的质量），b） 效率（完成任务时使用的资源水平）， 和c）满意度（用户对使用该工具的反应）。SUS是一种可靠的广泛使用的工具，用于评估技术产品的可用性。SUS分数高于68将被视为高于平均水平，低于68的任何内容都低于平均水平。AICaries可用性测试的参与者给出了平均SUS分数78.4分，反映了AICaries被有年幼孩子的父母广泛接受为家庭龋齿检测，家庭龋齿风险评估和口腔健康知识改善的工具。

其次，关于AICaries的可接受性，对参与第2步现场测试的28名家长的采访表明，该应用程序在整体质量和功能方面受到好评。总体接受度反映在对3个主要主题的反馈中：（a）参与者发现AICaries应用程序是改善口腔健康的资源工具。龋齿是一种多因素疾病，其风险与饮食、口腔卫生习惯、口腔微生物和宿主因素有关。与会者表示，AICaris赋予他们龋齿风险评估的能力，这最终可以帮助他们改善孩子和口腔健康。几乎所有（96.4%，27/28）参与者都报告说，他们会向朋友和家人推荐该应用程序。

（b） 家庭龋齿检测的实用工具。美国全国性调查显示，低收入和少数族裔儿童受到ECC的影响尤为严重，口腔卫生保健的可及性有限[10，26]。来自低社会经济地位（SES）家庭的美国学龄前儿童比来自高SES家庭的儿童至少进行一次牙科就诊的可能性要小得多，尽管需求较高[10，26]。为了解决这些口腔健康差异，我们需要使患者能够轻松获得口腔疾病筛查服务，而不管社会，经济和地理因素如何，例如通过移动医疗工具。目前，患者可以通过家庭血压设备监测血压;患者可以通过家用血糖仪监测血糖;患者甚至可以通过佩戴智能手表等设备来监测他们的心率和节律[16]。相比之下，在监测口腔健康方面，除了定期就诊牙科专业人员外，患者没有有效的家用设备来监测其口腔健康状况[16]。

人工智能正在显著改变医疗保健服务，它通过以更少的时间和更低的成本执行任务，使患者和医疗保健提供者的生活更轻松。例如，AI已被用于分析ECG、EEG或X射线图像，以便疾病早期发现[27]。AI技术也被用于协助类风湿性关节炎（RA）的早期检测[28]。然而，现代牙科尚未采用AI成像技术进行龋齿检测。据我们所知，AICaries是在牙科中使用该技术的新颖应用。使用AICaries，父母可以使用他们的常规智能手机拍摄孩子的牙齿照片，并在AICaries的帮助下检测ECC，使他们能够在早期和可逆的阶段积极为孩子寻求治疗。

（c） 预防龋齿的有用教育资源。目前以社区为基础的龋齿教育采用一对一的方法。口腔健康教育由牙科专业人员（如牙医，卫生员）在椅子旁提供。对于获得护理的机会有限的家庭，需要采取以社区为中心的方法，以每个人为中心。使用AICaries，父母还可以获得降低孩子龋齿风险的基本知识。

第三，关于AICaries的可行性，拍照指标和父母的反馈证明了AICaries的易用性功能。值得注意的是，在第2步现场测试中，除了AICaries应用程序上的视觉指南外，研究团队没有为父母提供任何关于如何使用相机以及如何拍摄儿童牙齿照片的额外培训。有了这个条件，值得注意的是，步骤2中78.6%的父母拍摄了通过质量检查的儿童照片，并且适合通过App诊断龋齿。

我们认识到，拍摄孩子质量满意的照片取决于孩子的年龄，个性，合作能力和父母的兴趣，这是其余父母（21.4%）无法成功完成这项任务的主要原因。为了提高AICaries的可行性，家长们建议社区卫生工作者促进培训，这是一个了不起的建议。社区卫生工作者（CHW）是将地方卫生系统与社区联系起来的调解人，在不同程度上融入国家卫生系统[29]。因此，CHWs在基层医疗保健中发挥着关键作用，对于实现与健康相关的可持续发展目标至关重要[30]。此外，CHWs在对偏远地区的牙科健康助手进行定性评估以改善生活在这些地区的儿童的牙科护理方面发挥着至关重要的作用。例如，土著卫生工作者（IHWs）在促进怀孕期间的口腔健康方面发挥着至关重要的作用，因为有针对非牙科保健专业人员的培训计划，帮助他们在整个产前期间促进口腔健康。此外，IHWs可以在产前期间为妇女使用可用的口腔健康检查工具;它们有可能在“推动”孕产妇口腔健康的筛查和教育中发挥关键作用，特别是当有足够的组织支持时[31]。让CHWs参与培训父母利用技术设备进行龋齿筛查，将为社区口腔健康预防提供创新和重大改革，并缩小与财务状况相关的数字鸿沟。

在解释我们的研究结果时，需要考虑以下局限性：1）该研究仅在美国的一个城市进行。因此，我们的研究结果对其他人群的推广是有限的。2）只有使用Android设备的参与者被注册，这可能会高估或低估其他智能手机平台用户的接受度。3）虽然所有参与的亲子二元组都来自低收入家庭，但在第2步无节制的现场测试中，66%的父母接受过大学水平的教育;该百分比高于收入水平等于或低于FPL的普通美国人。其中一个原因是，第2步中有36%的参与者是在美国境外出生的难民或移民，在这种情况下，尽管他们的家庭收入是有限的，尽管他们具有更高水平的教育背景。4）缺乏临床医生对椅子侧龋齿诊断的比较（金标准）。AICaries应用程序的最终目标是使用父母或护理人员拍摄的牙齿图像实现家庭龋齿筛查。由于目前的研究是评估可用性，可行性和接受度的第一步，因此未来的设计应包括测试AICaries的有效性，并将AICaries应用程序在检测龋齿方面的敏感性和特异性与临床医生进行比较。

随着我们不断改进AICaries智能手机应用程序的功能和可用性，我们未来的方向将集中在制定一项策略，鼓励父母在自然环境中频繁使用AICaries，这对于在年轻时实现龋齿人群筛查至关重要。此外，还需要未来的临床试验来评估使用这种创新的智能手机应用程序对低收入儿童ECC的早期检测和预防的实际影响。

结论

使用AICaries，许多父母能够使用他们的常规智能手机拍摄孩子的牙齿照片，以便在AICaries的帮助下检测ECC。有可能，这样做将促进儿科牙科治疗在ECC的早期和可逆阶段。使用AICaries，父母还可以获得降低孩子龋齿风险的基本知识。这项研究的数据将支持未来的临床试验，该试验评估使用这种创新的智能手机应用程序对低收入儿童ECC的早期检测和预防的实际影响。

支持信息

以系统可用性分数为自变量的多元线性回归。

跳转到无花果共享导航

S1 表。以系统可用性分数为自变量的多元线性回归参数估计硒T 值意义拦截75.729.188.25<.001比赛-2.195.94-0.370.72女性6.316.181.020.32教育-4.326.69-0.650.52以前拍摄儿童牙齿照片的经验5.885.501.070.30n=28

下载

无花果份额

S1 表。 以系统可用性分数为自变量的多元线性回归。

https://doi.org/10.1371/journal.pdig.0000046.s001

（DOCX）

确认

我们非常感谢Nour Lababede女士和Ayah Lababede女士在应用程序中对口腔健康教育视频的艺术作品。我们还感谢玛丽·托马斯夫人协助招募和留住与会者。

引用

1.Dye BA，Li X，Thorton-Evans G.由选定的健康人确定的口腔健康差异2020年美国口腔健康目标，2009-2010。NCHS数据简介。2012(104):1–8.pmid：23101968

查看文章PubMed/NCBI谷歌学术搜索

2.Dye BA， Tan S， Smith V， Lewis BG， Barker LK， Thornton-Evans G， et al.口腔健康状况趋势：美国，1988-1994年和1999-2004年。生命和健康统计系列11，来自全国卫生调查的数据。2007(248):1–92.pmid：17633507

查看文章PubMed/NCBI谷歌学术搜索

3.Koo H，Bowen WH.白色念珠菌和变形链球菌：一种潜在的协同联盟，可引起儿童致命的蛀牙。未来的微生物。2014;9(12):1295–7.pmid：25517895

查看文章PubMed/NCBI谷歌学术搜索

4.美国儿科牙科学会临床A.儿童早期龋齿（ECC）政策：独特的挑战和治疗方案。儿科牙科。2005;27（7 增刊）：34–5.pmid：16541879

查看文章PubMed/NCBI谷歌学术搜索

5.Hajishengallis E， Parsaei Y， Klein MI， Koo H. 幼儿龋齿微生物病因学和发病机制进展.摩尔口服微生物2017;32(1):24–34.pmid：26714612

查看文章PubMed/NCBI谷歌学术搜索

6.Xiao J，Fiscella KA，Meyerowitz C. mDentistry：在数字时代改善广大人群口腔健康的强大工具。J Am Dent Assoc. 2021;152（9）：713–6.pmid：34454644

查看文章PubMed/NCBI谷歌学术搜索

7.Ernsting C，Dombrowski SU，Oedekoven M，JL OS，Kanzler M，Kuhlmey A等人使用智能手机和健康应用程序来改变和管理健康行为：基于人口的调查。医学互联网学报 2017;19（4）：e101.pmid：28381394

查看文章PubMed/NCBI谷歌学术搜索

8.王军， 王勇， 魏春， 姚娜， 袁亚， 山毅等.用于慢性病长期健康管理的智能手机干预措施：综合综述。Telemed J E Health.2014;20(6):570–83.pmid：24787747

查看文章PubMed/NCBI谷歌学术搜索

9.皮尤研究中心。移动情况说明书。2月5日 Uwpof-sm.

10.Kopycka-Kedzierawski DT，McLaren SW，Billings RJ。罗切斯特大学伊士曼口腔健康研究所的远程牙科进展。Health Aff （Millwood）.2018;37(12):1960–6.pmid：30633668

查看文章PubMed/NCBI谷歌学术搜索

11.Mari?o R， Ghanim A. Teledentistry的定义.在： Giraudeau N. （eds） 牙科和口腔医学电子保健： 施普林格， Cham.;2018.

12.Azuaje F.用于精确肿瘤学的人工智能：超越患者分层。NPJ Precis Oncol.2019;3:6.pmid：30820462

查看文章PubMed/NCBI谷歌学术搜索

13.Hosny A，Parmar C，Quackenbush J，Schwartz LH，Aerts H.放射学中的人工智能。纳特·雷夫·癌症。2018;18(8):500–10.pmid：29777175-厦门杂志期刊论文发表

查看文章PubMed/NCBI谷歌学术搜索

14.Robertson S，Azizpour H，Smith K，Hartman J.乳房病理学中的数字图像分析 - 从图像处理技术到人工智能。译本 Res. 2018;194：19–35.pmid：29175265

查看文章PubMed/NCBI谷歌学术搜索

15.Lu W， Tong Y， Yu Y， Xing Y， Chen C， Shen Y. 人工智能在眼科中的应用：概述.J眼科。2018;2018:5278196.pmid：30581604

查看文章PubMed/NCBI谷歌学术搜索

16.肖娟， 罗瑾， 吴冢， 戴伊T， 阿尔·贾拉德N， 等.评估智能手机应用程序（AICaries），该应用程序使用人工智能来检测儿童龋齿，并提供交互式口腔健康教育：设计和可用性测试研究的协议。JMIR Res Protoc.2021;10（10）：e32921.pmid：34529582

查看文章PubMed/NCBI谷歌学术搜索

17.张勇， 廖华， 肖军， 贾拉德N， 吴力马佩斯， 罗俊.基于智能手机的系统，用于实时儿童早期龋齿诊断。围产期，早产儿和儿科图像分析研讨会，医学图像计算和计算机辅助干预国际会议（MICCAI），2020年10月。

18.乔J，乔杜里S，勒T，汤普森H，德米里斯G.在评估研究中大声思考和即时数据分析的使用：示例和经验教训。J生物医学信息。2015;56:284–91.pmid：26071683

查看文章PubMed/NCBI谷歌学术搜索

19.莫尔斯·确定样本数量。定性健康研究。2000;10(1):3–5.

查看文章谷歌学术搜索

20.Lopes JP， Dias TMR， Carvalho DBF， Oliveira JF， Cavalcante RB， Oliveira VC.数字疫苗卡在疫苗接种室护理实践中的评估。Rev Lat Am Enfermagem.2019;27：e3225.pmid：31826166

查看文章PubMed/NCBI谷歌学术搜索

21.使用修改系统可用性量表（SUS）测量AT可用性。梭哈健康技术通知。2017;242:137–43.pmid：28873790

查看文章PubMed/NCBI谷歌学术搜索

22.Pillalamarri SS，Huyett LM，Abdel-Malek A.新型蓝牙无管胰岛素泵：互联数字糖尿病管理平台的用户体验设计方法。糖尿病科学技术学报. 2018;12（6）：1132–42.pmid：30304951

查看文章PubMed/NCBI谷歌学术搜索

23.麦克莱伦S，穆迪默A，佩雷斯S。经验对系统可用性量表评级的影响。可用性研究杂志。2011;7.

查看文章谷歌学术搜索

24.Franco RZ， Alawadhi B， Fallaize R， Lovegrove JA， Hwang F.基于Web的图形化食品频率评估系统：设计，开发和可用性指标。JMIR嗡嗡声因素。2017;4（2）：e13–e. pmid：28483746

查看文章PubMed/NCBI谷歌学术搜索

25.Brooke J. SUS — 一个快速而肮脏的可用性量表。1996. 第189-94页.

查看文章谷歌学术搜索

26.口腔健康和获得护理的差异：国家调查结果。安布尔儿科2002;2（2 增刊）：141–7.pmid：11950385

查看文章PubMed/NCBI谷歌学术搜索

27.Cucchi M， Gruener C， Petrauskas L， Steiner P， Tseng H， Fischer A， et al.具有生物相容性有机电化学网络的储层计算，用于脑启发生物信号分类。科学动态 2021;7（34）.pmid：34407948

查看文章PubMed/NCBI谷歌学术搜索

28.斯托尔·人工智能检测早期RA。塞明关节炎 Rheum.2019;49（3s）：S25–s8.pmid：31779846

查看文章PubMed/NCBI谷歌学术搜索

29.LeBan K， Kok M， Perry HB.新时代曙光下的社区卫生工作者：9.CHWs与卫生系统和社区的关系。卫生研究政策系统 2021;19（增刊 3）：116.pmid：34641902

查看文章PubMed/NCBI谷歌学术搜索

30.Afzal MM， Pariyo GW， Lassi ZS， Perry HB.新时代曙光下的社区卫生工作者：2.规划、协调和伙伴关系。卫生研究政策系统 2021;19（增刊 3）：103.pmid：34641912

查看文章PubMed/NCBI谷歌学术搜索

31.Villarosa AC， Villarosa AR， Salamonson Y， Ramjan LM， Sousa MS， Srinivas R， et al.土著卫生工作者在促进妊娠期口腔健康方面的作用：范围界定审查。BMC公共卫生。2018;18(1):381.pmid：29558933

查看文章PubMed/NCBI谷歌学术搜索