Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

Screening glaukomu pomocí klinického modelu s umělou inteligencí v singapurském programu screeningu očí u diabetiků (AIGS)

27. ledna 2026 aktualizováno: Singapore Eye Research Institute

Pragmatická randomizovaná kontrolovaná studie nového klinického modelu s asistencí umělé inteligence v oportunistickém screeningu glaukomu v rámci singapurského integrovaného programu pro diabetickou retinopatii

Glaukom je hlavní příčinou nevratné slepoty a je charakterizován poškozením zrakového nervu a ztrátou zorného pole. Screening glaukomu je náročný kvůli nedostatku jednoduchého, přesného, nákladově efektivního a standardizovaného procesu. Umělá inteligence (UI), zejména algoritmy hlubokého učení (DL), mají potenciál automatizovat detekci glaukomu, ale musí být vyhodnoceny v reálných podmínkách před veřejným nasazením. Tato studie si klade za cíl vyhodnotit přesnost screeningu DL algoritmu pro detekci glaukomu pomocí barevných snímků fundu (CFP) v pragmatické randomizované kontrolované studii (RCT). Algoritmus bude testován u 1040 způsobilých pacientů s diabetem, kteří byli přijati z klinik Centra pro diabetes a metabolismus v rámci Singapurského integrovaného programu pro diabetickou retinopatii (SiDRP) a randomizováni do 2 ramen: model s asistencí UI vs současný standard péče (hodnocení hodnotitelem). Výkonnost obou ramen bude porovnána s výkonností očního lékaře studie v diagnostice glaukomu. Předpokládáme, že DL model má lepší screeningový výkon v detekci glaukomu v komunitě ve srovnání se současnou metodou praxe.

Přehled studie

Detailní popis

Pozadí: Glaukom je celosvětově hlavní příčinou nevratné slepoty, charakterizovaný poškozením zrakového nervu a ztrátou zorného pole. Screening glaukomu zůstává náročný kvůli nedostatku jednoduchého, standardizovaného a nákladově efektivního testu. Umělá inteligence (AI), zejména hluboké učení (DL), nabízí potenciál ke zlepšení a standardizaci detekce glaukomu. Jeho výkonnost však musí být před veřejným nasazením prospektivně ověřena v reálných podmínkách.

Cíl: Vyhodnotit přesnost a nákladovou efektivnost DL algoritmu využívajícího barevné fotografie fundu (CFP) jako nástroje klinické rozhodovací podpory pro detekci glaukomu v reálných podmínkách.

Metody: Dvoustřední, jednoduše zaslepená, pragmatická randomizovaná kontrolovaná studie (RCT) bude provedena u 1 040 dospělých s diabetem rekrutovaných z Centra diabetu a metabolismu (DMC) a polyklinik SingHealth-Bukit Merah v rámci Singapurského integrovaného programu pro diabetickou retinopatii (SiDRP). Po zobrazení fundu budou účastníci randomizováni v poměru 1:1 k hodnocení s asistencí AI nebo současnému manuálnímu hodnocení posuzovateli v centru pro čtení SiDRP (520 subjektů na rameno). Diagnostický výkon bude porovnán se zlatým standardem diagnózy glaukomu, stanoveným pomocí komplexního očního vyšetření včetně měření nitroočního tlaku, testování zorného pole, optické koherentní tomografie a vyšetření fundu po rozšíření zornice. Nákladová efektivnost bude vyhodnocena pomocí kohortového Markovova modelu k odhadu celoživotních nákladů a přírůstkových poměrů nákladové efektivnosti (ICER) dvou strategií screeningu glaukomu.

Klinický význam: Integrace AI do screeningu glaukomu může řešit omezení zdrojů a zefektivnit detekci. Tato studie poskytne důkazy z reálného světa o přesnosti a nákladové efektivnosti screeningu založeného na AI. Pokud bude ověřena, mohla by být integrována do národních screeningových programů pro zlepšení časné detekce, snížení zbytečných odkazů a prevenci předcházení slepoty prostřednictvím nákladově efektivního a škálovatelného přístupu.

Typ studie

Intervenční

Zápis (Odhadovaný)

1040

Fáze

  • Nelze použít

Kontakty a umístění

Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.

Studijní kontakt

Studijní záloha kontaktů

Studijní místa

    • Singapore
      • Singapore, Singapore, Singapur, 168751
        • Nábor
        • Singapore National Eye Centre
        • Vrchní vyšetřovatel:
          • Hong Chang Tan
        • Kontakt:
          • Ching-Yu Cheng, MD, PhD
          • Telefonní číslo: 65767277
        • Kontakt:
          • Lavanya Raghavan, MD
          • Telefonní číslo: 65767201
        • Dílčí vyšetřovatel:
          • Lavanya Raghavan
        • Vrchní vyšetřovatel:
          • Shiwaza Aminath Moosa

Kritéria účasti

Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.

Kritéria způsobilosti

Věk způsobilý ke studiu

  • Dospělý
  • Starší dospělý

Přijímá zdravé dobrovolníky

Ne

Popis

Kritéria zařazení: Cílem je získat všechny způsobilé pacienty, kteří navštěvují kliniky Centra pro diabetes a metabolismus (DMC) Všeobecné nemocnice v Singapuru (SGH) a SingHealth Polyclinics (SHP)-Bukit Merah v rámci Singapurského integrovaného programu pro diabetickou retinopatii (SiDRP). Pacienti jsou způsobilí pro studii, pokud

  1. Jsou ve věku 21 let a výše, s diabetem, včetně diabetu 1. a 2. typu,
  2. Sítnicové snímky pacientů lze pořídit fundus kamerou na klinikách, bez ohledu na kvalitu snímků, a
  3. Jsou ochotni a schopni poskytnout písemný formulář informovaného souhlasu.

Kritéria vyloučení: Pacienti splňující jakékoli z vylučovacích kritérií budou z účasti vyloučeni:

  1. Pacienti, kteří mají potíže s pořízením sítnicových snímků nebo mají potíže s dokončením protokolů očního vyšetření podle rozhodnutí zkoušejícího.
  2. Jakákoli jiná kontraindikace(y) uvedená endokrinology zodpovědnými za pacienty.

    -

Studijní plán

Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.

Jak je studie koncipována?

Detaily designu

  • Primární účel: Diagnostický
  • Přidělení: Randomizované
  • Intervenční model: Paralelní přiřazení
  • Maskování: Singl

Zbraně a zásahy

Skupina účastníků / Arm
Intervence / Léčba
Aktivní komparátor: Umělá inteligence asistovaná paže
V této větvi budou lidské hodnotitelé posuzovat fotografie očního pozadí na glaukomové znaky s pomocí výstupu generovaného AI modelem, který je trénovaný na detekci glaukomu. Výstup AI bude k dispozici během hodnocení k podpoře rozhodování.
Vision Transformer model pro detekci glaukomu z fotografií fundu
Ostatní jména:
  • Model hlubokého učení
  • Vision Transformer
  • RetiGON
Komparátor placeba: Aktuální léčebná skupina
Posuzovatelé budou hodnotit fotografie očního pozadí na glaukom podle standardní klinické praxe, pomocí předem stanovené a zavedené sady diagnostických kritérií bez přístupu k výstupům generovaným umělou inteligencí.
Kontrolní skupina s aktuálním modelem praxe lidských hodnotitelů
Ostatní jména:
  • Kontrolní skupina
  • Současný model praxe

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Hodnocení výkonu modelu
Časové okno: Po dokončení studie (po vyhodnocení všech snímků fundu a dokončení sběru dat; přibližně do 12 měsíců od zahájení studie)
Pro srovnání výkonu modelu v přesnosti, senzitivitě, specificitě, pozitivní prediktivní hodnotě a negativní prediktivní hodnotě mezi novým AI asistovaným klinickým modelem a současným modelem praxe v detekci glaukomu s odkazem na standardy odborného panelu.
Po dokončení studie (po vyhodnocení všech snímků fundu a dokončení sběru dat; přibližně do 12 měsíců od zahájení studie)

Sekundární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Hodnocení časové efektivity
Časové okno: Po dokončení studie (poté, co budou všechny snímky očního pozadí ohodnoceny a sběr dat bude dokončen; přibližně do 12 měsíců od zahájení studie)
Pro porovnání časové efektivity mezi klinickým modelem s podporou umělé inteligence a současným praktickým modelem, definovanou jako celkový čas (v sekundách) strávený na jednoho účastníka pro celý screeningový proces, od přístupu k obrazu až po konečné rozhodnutí o klasifikaci, zaznamenaný v reálném čase během hodnotící relace.
Po dokončení studie (poté, co budou všechny snímky očního pozadí ohodnoceny a sběr dat bude dokončen; přibližně do 12 měsíců od zahájení studie)
Hodnocení přijetí hodnotitele
Časové okno: Po dokončení studie (po vyhodnocení všech snímků fundu a dokončení sběru dat; přibližně do 12 měsíců od zahájení studie)
Posoudit přijetí a spokojenost hodnotitelů s modelem klinické praxe s asistencí AI ve srovnání se současným modelem praxe při detekci glaukomu. Hodnocení bude provedeno pomocí krátkých dotazů během procesu hodnocení a prostřednictvím strukturovaného dotazníku po studii.
Po dokončení studie (po vyhodnocení všech snímků fundu a dokončení sběru dat; přibližně do 12 měsíců od zahájení studie)

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Vyšetřovatelé

  • Vrchní vyšetřovatel: Ching-Yu Cheng, MD, PhD, Singapore Eye Research Institute

Termíny studijních záznamů

Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.

Hlavní termíny studia

Začátek studia (Aktuální)

17. listopadu 2025

Primární dokončení (Odhadovaný)

1. srpna 2026

Dokončení studie (Odhadovaný)

1. března 2027

Termíny zápisu do studia

První předloženo

16. listopadu 2025

První předloženo, které splnilo kritéria kontroly kvality

19. listopadu 2025

První zveřejněno (Aktuální)

24. listopadu 2025

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

29. ledna 2026

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

27. ledna 2026

Naposledy ověřeno

1. ledna 2026

Více informací

Termíny související s touto studií

Další identifikační čísla studie

  • ECOS Ref: 2024-3461
  • MOH-OFLCG21jun-0003 (Jiné číslo grantu/financování: National Medical Research Council- Large Collaborative Grant)

Plán pro data jednotlivých účastníků (IPD)

Plánujete sdílet data jednotlivých účastníků (IPD)?

ANO

Popis plánu IPD

Pro statistickou analýzu, pro další zdokonalení modelu AI

Časový rámec sdílení IPD

od roku 2027

Kritéria přístupu pro sdílení IPD

Anonymizovaná data pouze se souhlasem hlavního vyšetřovatele

Typ podpůrných informací pro sdílení IPD

  • MÍZA
  • ANALYTIC_CODE
  • CSR

Informace o lécích a zařízeních, studijní dokumenty

Studuje lékový produkt regulovaný americkým FDA

Ne

Studuje produkt zařízení regulovaný americkým úřadem FDA

Ne

Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .

Předplatit