- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT04132401
IA para la Detección de Enfermedad Retiniana y Glaucoma en Pacientes con Diabetes Mellitus en Atención Primaria
Inteligencia artificial para la detección de enfermedad central de retina y glaucoma no midriático en el contexto de pacientes con diabetes mellitus en atención primaria: un estudio prospectivo que compara la capacidad diagnóstica de un algoritmo de IA
Antecedentes: La retinopatía diabética (RD) es una de las causas más importantes de ceguera a nivel mundial, especialmente en los países desarrollados. En pacientes diabéticos, el examen periódico del fondo de ojo con una cámara no midriática ha demostrado ser un sistema eficaz para controlar y prevenir la aparición de RD. Las redes neuronales convolucionales se han utilizado para detectar DR, logrando sensibilidades y especificidades muy altas.
Hipótesis Es posible desarrollar algoritmos basados en inteligencia artificial que puedan demostrar un rendimiento igual o superior y que constituyan una alternativa al cribado actual de RD y otras patologías oftálmicas en pacientes diabéticos.
Objetivos:
- Desarrollo de un sistema de inteligencia artificial para la detección de signos de patología retiniana y otras patologías oftálmicas en pacientes diabéticos.
- Validación científica del sistema para ser utilizado como sistema de cribado en atención primaria.
Métodos:
Este proyecto consistirá en la realización de dos estudios simultáneamente:
- Desarrollo de un algoritmo con inteligencia artificial para detectar signos de RD, otras patologías de la retina central y glaucoma en pacientes con diabetes.
- Realización de un estudio prospectivo que permita comparar la capacidad diagnóstica de los algoritmos con la de los especialistas en medicina familiar que leen las imágenes de fondo. La referencia será lectura doble ciego por oftalmólogos especialistas en retina.
La cesión de las imágenes comenzó a finales de 2018. Se calcula que el desarrollo del algoritmo de IA durará entre 3 y 4 meses. La inclusión de pacientes en la cohorte comenzará a principios de 2019 y se espera que dure de 3 a 4 meses. Se espera que los resultados preliminares se publiquen a finales de 2019.
El estudio permitirá desarrollar un algoritmo basado en IA que pueda demostrar un rendimiento igual o superior, y que constituya un complemento o una alternativa, al actual cribado de RD en pacientes diabéticos
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Diseño del estudio Este proyecto seguirá una metodología que consta de 2 estudios concomitantes: en el primer estudio, desarrollaremos un algoritmo de IA para detectar los signos de RD en pacientes con diabetes.
La segunda parte del proyecto consistirá en la elaboración de un estudio prospectivo que permitirá comparar la capacidad diagnóstica del algoritmo con la de los médicos de familia y con la de los especialistas en retina. La referencia será una doble lectura ciega realizada por los especialistas en retina (con una tercera lectura ciega en caso de desacuerdo en las 2 lecturas anteriores). De esta forma, los resultados obtenidos, tanto por el algoritmo de IA como por los especialistas en medicina familiar, se compararán utilizando el patrón oro (precisión, sensibilidad, especificidad, área bajo la curva, etc). Se considerará la inclusión de enfermeras que hayan recibido formación en lecturas de fondo de ojo para comparar su capacidad diagnóstica.
Población de estudio, participación en el sitio y reclutamiento Las imágenes para el desarrollo del algoritmo serán cedidas por la CHS e incluirán imágenes de toda la población catalana. El estudio prospectivo se realizará en los centros de atención primaria gestionados por el Instituto Catalán de la Salud en la Cataluña Central, que incluye las comarcas del Bages, Osona, Berguedà y Anoia. La población de referencia será la población adscrita a estos centros de atención primaria. Esta población incluía alrededor de 512 000 personas en 2017, con una prevalencia estimada de diabetes del 7,1 %.
El período de estudio incluirá 2010-2017 para el desarrollo del algoritmo con IA. El estudio prospectivo comenzará una vez que se desarrolle el algoritmo y se extenderá hasta que se obtenga el número de lecturas necesarias (alrededor de 3-4 meses).
Realización del estudio Para el desarrollo del algoritmo de IA se incluirán todas las imágenes de fondo de ojo etiquetadas como RD de pacientes de centros de atención primaria de Cataluña entre 2010 y 2017. Para el estudio prospectivo se incluirán todas las imágenes de los pacientes a los que se les realizó un examen de fondo de ojo desde el período de inicio del estudio hasta alcanzar el número adecuado de pacientes. Un alto porcentaje de imágenes de fondo de ojo debe tener suficiente calidad; es decir, una visión de 40 grados de la retina central donde se aprecian al menos las tres cuartas partes del nervio óptico, una mácula bien enfocada y venas y arterias bien definidas de los arcos superior e inferior. Se excluirán las imágenes de fondo de ojo que no tengan la calidad técnica adecuada (oscuras) o que no puedan ser evaluadas por la opacidad del medio (p. ej., para cataratas).
Recogida de datos Para el desarrollo del algoritmo de IA es necesario disponer de las imágenes anonimizadas con la correspondiente etiqueta que clasifica cada imagen (en una de las clases con las que se va a entrenar el algoritmo). El personal responsable de tecnologías de la información (TI) de la CHS evaluará la mejor estrategia para la anonimización y extracción de las imágenes de los sistemas informáticos de la CHS, así como la identificación de cada imagen con un identificador único. Por otro lado, se requerirá un archivo tabulado tipo CSV o TXT para relacionar cada identificador de imagen con la clasificación correspondiente. El responsable de TI del CHS, junto con el responsable técnico de OPTretina, acordarán la mejor forma de transferir estas 2 fuentes de información, de forma segura, desde los servidores del CHS a los servidores de OPTretina (SSH File Transfer Protocol, disco duro externo) dependiendo del volumen de datos a transferir y la política interna del CHS. OPTretina tiene experiencia en el desarrollo de modelos de IA para la clasificación automática de imágenes de fondo de ojo y es un fabricante de dispositivos médicos certificado por la Agencia Española de Medicamentos y Productos Sanitarios.
Para el estudio prospectivo, se recopilarán lecturas de datos de fondo de ojo semanales anonimizados recopilados por médicos de familia lectores de imágenes de fondo de ojo en Cataluña Central. Las imágenes serán transferidas a los servidores de OPTretina para ser analizadas primero por el algoritmo de diagnóstico y luego por los especialistas en retina que harán el diagnóstico definitivo. El responsable de TI de la CHS, junto con el responsable técnico de OPTretina, acordarán la mejor forma de transferir estos datos de forma segura.
Tipo de estudio
Inscripción (Actual)
Fase
- No aplica
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Josep Vidal-Alaball, MD, PhD, MPH
- Número de teléfono: +346930040
- Correo electrónico: jvidal.cc.ics@gencat.cat
Copia de seguridad de contactos de estudio
- Nombre: Miguel Angel Zapata, MD, PhD
- Correo electrónico: mazapata@optretina.com
Ubicaciones de estudio
-
-
Barcelona
-
Manresa, Barcelona, España, 08242
- CAP Bages
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Descripción
Criterios de inclusión:
- Diagnóstico clínico de diabetes mellitus tipo I o tipo II
- Fotografía de fondo de ojo tomada como parte de la prueba de detección de retinopatía diabética
Criterio de exclusión:
- pacientes con glaucoma en tratamiento
- pacientes con demencia avanzada que no colaboran en la toma de fotografías
- pacientes con sordera significativa que no pueden seguir las instrucciones para tomar fotografías
- pacientes con problemas de movilidad (sillas de ruedas, cifosis importantes) o temblor que no pueden tomar fotografías
- pacientes con patologías que interfieren en la calidad de las imágenes como cataratas, nistagmo, leucoma corneal o trasplantes de córnea.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Propósito principal: Otro
- Asignación: No aleatorizado
- Modelo Intervencionista: Asignación paralela
- Enmascaramiento: Ninguno (etiqueta abierta)
Armas e Intervenciones
Grupo de participantes/brazo |
Intervención / Tratamiento |
---|---|
Experimental: medicos de medicina familiar
Lectura de retina
|
Se comparará la capacidad diagnóstica del algoritmo con la de los médicos de familia y con la de los especialistas en retina.
La referencia será una doble lectura ciega realizada por los especialistas en retina.
|
Experimental: especialistas en retina
Lectura de retina (estándar de oro)
|
Se comparará la capacidad diagnóstica del algoritmo con la de los médicos de familia y con la de los especialistas en retina.
La referencia será una doble lectura ciega realizada por los especialistas en retina.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Sensibilidad del algoritmo
Periodo de tiempo: 1 año
|
Tasa positiva verdadera del algoritmo
|
1 año
|
Especificidad del algoritmo
Periodo de tiempo: 1 año
|
Tasa negativa verdadera del algoritmo
|
1 año
|
Precisión del algoritmo
Periodo de tiempo: 1 año
|
Relación entre el número de predicciones correctas y el número total de muestras de entrada
|
1 año
|
Área bajo la curva característica operativa del receptor del algoritmo
Periodo de tiempo: 1 año
|
Capacidad diagnóstica del algoritmo.
|
1 año
|
Colaboradores e Investigadores
Investigadores
- Silla de estudio: Josep Vidal-Alaball, MD, PhD, MPH, Institut Català de la Salut / IDIAP Jordi Gol
- Investigador principal: Alba Arocas Bonache, RN, Institut Català de la Salut
Publicaciones y enlaces útiles
Publicaciones Generales
- Bourne RR, Stevens GA, White RA, Smith JL, Flaxman SR, Price H, Jonas JB, Keeffe J, Leasher J, Naidoo K, Pesudovs K, Resnikoff S, Taylor HR; Vision Loss Expert Group. Causes of vision loss worldwide, 1990-2010: a systematic analysis. Lancet Glob Health. 2013 Dec;1(6):e339-49. doi: 10.1016/S2214-109X(13)70113-X. Epub 2013 Nov 11.
- Sanchez Gonzalez S, Calvo Lozano J, Sanchez Gonzalez J, Pedregal Gonzalez M, Cornejo Castillo M, Molina Fernandez E, Barral FJ, Perez Espinosa JR. [Assessment of the use of retinography as a screening method for the early diagnosis of chronic glaucoma in Primary Care: Validation for screening in populations with open-angle glaucoma risk factors]. Aten Primaria. 2017 Aug-Sep;49(7):399-406. doi: 10.1016/j.aprim.2016.10.008. Epub 2017 Jan 23. Spanish.
- Gomez-Ulla F, Fernandez MI, Gonzalez F, Rey P, Rodriguez M, Rodriguez-Cid MJ, Casanueva FF, Tome MA, Garcia-Tobio J, Gude F. Digital retinal images and teleophthalmology for detecting and grading diabetic retinopathy. Diabetes Care. 2002 Aug;25(8):1384-9. doi: 10.2337/diacare.25.8.1384.
- Dankwa-Mullan I, Rivo M, Sepulveda M, Park Y, Snowdon J, Rhee K. Transforming Diabetes Care Through Artificial Intelligence: The Future Is Here. Popul Health Manag. 2019 Jun;22(3):229-242. doi: 10.1089/pop.2018.0129. Epub 2018 Oct 2.
- Quellec G, Charriere K, Boudi Y, Cochener B, Lamard M. Deep image mining for diabetic retinopathy screening. Med Image Anal. 2017 Jul;39:178-193. doi: 10.1016/j.media.2017.04.012. Epub 2017 Apr 28.
- Usher D, Dumskyj M, Himaga M, Williamson TH, Nussey S, Boyce J. Automated detection of diabetic retinopathy in digital retinal images: a tool for diabetic retinopathy screening. Diabet Med. 2004 Jan;21(1):84-90. doi: 10.1046/j.1464-5491.2003.01085.x.
- Somfai GM, Tatrai E, Laurik L, Varga B, Olvedy V, Jiang H, Wang J, Smiddy WE, Somogyi A, DeBuc DC. Automated classifiers for early detection and diagnosis of retinopathy in diabetic eyes. BMC Bioinformatics. 2014 Apr 12;15:106. doi: 10.1186/1471-2105-15-106.
- Abramoff MD, Lou Y, Erginay A, Clarida W, Amelon R, Folk JC, Niemeijer M. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Invest Ophthalmol Vis Sci. 2016 Oct 1;57(13):5200-5206. doi: 10.1167/iovs.16-19964.
- Abramoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018 Aug 28;1:39. doi: 10.1038/s41746-018-0040-6. eCollection 2018.
- Li Z, Keel S, Liu C, He Y, Meng W, Scheetz J, Lee PY, Shaw J, Ting D, Wong TY, Taylor H, Chang R, He M. An Automated Grading System for Detection of Vision-Threatening Referable Diabetic Retinopathy on the Basis of Color Fundus Photographs. Diabetes Care. 2018 Dec;41(12):2509-2516. doi: 10.2337/dc18-0147. Epub 2018 Oct 1.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
- Enfermedades cardiovasculares
- Enfermedades Vasculares
- Trastornos del metabolismo de la glucosa
- Enfermedades metabólicas
- Enfermedades de los ojos
- Enfermedades del sistema endocrino
- Hipertensión Ocular
- Angiopatías diabéticas
- Complicaciones de la diabetes
- Glaucoma
- Diabetes mellitus
- Enfermedades de la retina
- Retinopatía diabética
Otros números de identificación del estudio
- P18/109
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Marco de tiempo para compartir IPD
Criterios de acceso compartido de IPD
Tipo de información de apoyo para compartir IPD
- PROTOCOLO DE ESTUDIO
- RSC
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .