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, da synstruende komplikationer ofte debuterer uden symptomer. I Danmark screenes mere end 100.000 personer med diabetes årligt, men på nuværende tidspunkt har vi ingen software, der hjælper os med at give nøjagtige screeningsintervaller.

Nogle patienter screenes for ofte og tager ressourcer fra de patienter, der desværre screenes for sent. Som det er nu, går værdifuld tid og ressourcer tabt for personer med diabetes og sundhedsvæsenet, hvilket i sidste ende har stor betydning for patienterne og deres behandling.

Formål

Vores formål er at udvikle en algoritme, der forudsiger risikoen for udvikling af synstruende diabetisk øjensygdom indenfor tre år. Vores nuværende værktøj, en skala for diabetisk øjensygdom, er forenklet og forældet. Vi er allerede i besiddelse af en algoritme til automatisk klassifikation, men den skal forbedres.

Hypotese

Vores hypotese er, 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 klassifikation 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).

Således kan vi 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 og klinikere.

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.

Klinisk betydning

Implementering af vores algoritme forbedrer diagnostisk ydeevne, optimerer screeningsintervaller samt reducerer tid og ressourcer for både patienter og klinikere. For patienterne kan det bl.a. betyde mindre tid på transport samt færre besøg på sygehus som følge af deres sygdom. Det vil være en kæmpe gevinst for patienterne.

Involvering af patienter

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 disse og har således designet PRECISE, så det i videst muligt omfang adresserer brugernes behov om sikker og transparent øjendiagnostik.