Simon Lowater

Prediction of proliferative diabetic retinopathy: construction of a risk-based index through segmentation (PRECISE)

Diabetisk øjensygdom er den mest forekomne komplikation til diabetes og regelmæssig øjenscreening er af afgørende betydning for at undgå synstab. I Danmark screenes mere end 100.000 personer med diabetes årligt, men vores nuværende værktøj, en skala for diabetisk øjensygdom, er forenklet og forældet. Nogle patienter screenes for ofte og tager ressourcer fra de patienter, der desværre screenes for sent. På nuværende tidspunkt har vi ingen software, der hjælper os med at give nøjagtige screeningsintervaller, hvorfor værdifuld tid og ressourcer går tabt for patienter og samfund.

Vi har allerede udviklet en algoritme, men den beror på vurdering fra en enkelt ekspert med risiko for fejlskøn. Vores formål er at videreudvikle algoritmen ved brug af kunstig intelligens, hvor en computer lærer at genkende diabetisk øjensygdom ud fra et stort billedmateriale. Med algoritmen vil vi dernæst forudsige risikoen for udvikling af synstruende diabetisk øjensygdom indenfor tre år hos den enkelte patient.

Vi tror, at vi ved brug af kunstig intelligens styrket af input fra flere eksperter på en gang kan udvikle en algoritme, som forbedrer præcisionen af automatiseret inddeling af diabetisk øjensygdom (Delstudie I). Endvidere vil vi kombinere algoritmen med vigtige risikofaktorer for at forudsige risikoen for udvikling af synstruende diabetisk øjensygdom (Delstudie II). Slutteligt vil vi opgøre en risikobaseret score skræddersyet til hver enkelt patient som forudsiger fremtidig udvikling af diabetisk øjensygdom (Delstudie III). 

Klinisk Betydning

Vi forventer, at vi således kan igangsætte den rette behandling af diabetiske komplikationer hurtigere end hidtil hos de patienter, som før blev screenet for sent, og forbedre tilværelsen for patienter med diabetes samtidig med, at vi bruger ressourcerne i sundhedsvæsenet de rette steder. Implementering af vores algoritme forbedrer derved diagnostisk ydeevne, optimerer screeningsintervaller samt reducerer tid og ressourcer for både patienter, klinikere og samfund.

Studiedesign

Ph.d.-projektet vil være et billeddiagnostisk risikovurderingsstudie baseret på registerdata fra DiaBase og nethindefotos fra hhv. Steno Diabetes Center Odense og Rigshospitalet.

Begrænsninger

Brugen af registerdata kan være en begrænsende faktor for algoritmens endelige nøjagtighed. Vi udfører for øjeblikket et stort nationalt registerbaseret studie om diabetisk øjensygdom, hvor vi har fokus på at validere relevante endepunkter, så datakvaliteten kan styrkes i PRECISE. Desuden indgår klinisk validering af algoritmen ikke i PRECISE, hvilket bliver nødvendigt efterfølgende.

Involvering af patienter og pårørende

Grundet studiets design vil der ikke være direkte involvering af patienter. Da vi indledte vores projektsatsning om brug af kunstig intelligens ved diabetisk øjenscreening, var vi dog i tæt dialog med en lang række patienter på Steno Diabetes Center Odense. Vi har efterfølgende været i løbende dialog med flere af patienterne og har således designet PRECISE, så det i videst muligt omfang adresserer brugernes behov om sikker og transparent øjendiagnostik.