Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Prediktionsmodell för risken att utveckla fotulcer vid diabetes

14 december 2025 uppdaterad av: Ulla Hellstrand Tang, Sahlgrenska University Hospital

Prediktionsmodell för risken att utveckla fotsår vid diabetes

Introduktion Fotsår vid diabetes mellitus (DM) är en vanlig och allvarlig komplikation som kan leda till infektion, amputation och ökad dödlighet. Tidig identifiering av patienter med hög risk är avgörande för att kunna implementera förebyggande åtgärder i ett tidigt skede. Antalet personer med DM ökar globalt, från 540 miljoner år 2021 till uppskattningsvis 780 miljoner år 2045. Fotsår orsakar betydande lidande för individen och medför stora kostnader för sjukvårdssystemet.

Trots nationella riktlinjer som rekommenderar regelbundna, strukturerade fotundersökningar och riskklassificering för att bedöma risken att utveckla fotsår, tar nuvarande riskmodeller inte hänsyn till de komplexa samspelen mellan riskfaktorer och socioekonomiska faktorer som civilstånd, utbildningsnivå och bostadsort.

Datadrivna framsteg och artificiell intelligens (AI) erbjuder nya möjligheter att förfina riskidentifiering, men deras användning för att förutsäga risken för diabetiska fotsår är fortfarande begränsad. Behovet av fotutredning är betydande. I Sverige finns cirka 600 000 patienter med DM, och hälften av dem lever med en ökad risk på grund av nervskador i fötterna. Det innebär att, baserat på risknivå, cirka 300 000 patienter i Sverige kan behöva förebyggande insatser, inklusive medicinsk fotvård, skräddarsydda skor och tillgång till specialistvård för dem med fotsår. Förbättrade förebyggande insatser betonas i den personcentrerade och integrerade vårdvägen för personer med diabetes med hög risk för fotsår. Emellertid saknas för närvarande korrekt identifiering av risken för fotsår.

Förebyggande leder inte bara till god livskvalitet för individen utan också till minskade sjukvårdskostnader. Uppskattningar av Ragnarsson Tennvall visar att ett svårläkt sår kostar cirka 100 000 SEK per år, medan en amputation kostar cirka 300 000–500 000 SEK. Med en prevalens av fotsår på 5 % bland patienter med diabetes uppgår den årliga kostnaden för sårvård till 3 miljarder SEK. Dessutom finns kostnader på cirka 750 miljoner SEK för amputationer, enligt data från kvalitetsregistret SwedAmp.

Syftet med studien är att utveckla, testa och validera prediktionsmodeller (statistiska och AI-baserade) för att identifiera patienter med DM som riskerar att utveckla fotsår. Modellerna kommer att baseras på retrospektiva elektroniska journaldata från primärvården i Västra Götalandsregionen (VGR), samt data från Statistiska centralbyrån (SCB) avseende demografiska faktorer som civilstånd, utbildningsnivå, yrke och bostadsort.

Metoder Studien har två metodologiska tillvägagångssätt: AI-baserad modellering och statistisk modellering.

AI-baserat tillvägagångssätt Maskininlärningsmodeller kommer att utvecklas för att förutsäga patienter som riskerar att utveckla diabetiska fotsår. Modellerna kommer att tränas med korsvalidering på en stor datamängd där variabler kommer att uteslutas iterativt. Konform prediktion kommer att användas för att kvantifiera osäkerhet i patientnivåprediktioner. De resulterande modellerna kommer att analyseras för att identifiera de starkaste prediktorerna och kommer att jämföras med klassisk statistisk modellering och litteraturfynd.

Steg i AI-modellering:

Dataextraktion: Elektroniska journaldata från primärvården i VGR, kompletterade med sociodemografiska data från SCB.

Dataprocessering: Användning av bland annat diagnostiska koder (ICD-10), sjukvårdsåtgärder (KVÅ-koder), besökstyper, besöksfrekvens, EKG-parametrar och fritextdata för att konstruera prediktorer.

Modellutveckling: Prediktionsmodeller kommer att utvecklas och tränas med korsvalidering. Mått på osäkerhet kommer att genereras med konform prediktion.

Validering: En separat kohort kommer att användas för att testa modellprestanda (känslighet, specificitet, positivt prediktivt värde [PPV]).

Tolkning: Modellerna kommer att granskas för transparens och klinisk tolkningsbarhet i samarbete med patientrepresentanter, kliniker och forskare.

Resultaten av de statistiska och AI-baserade modellerna kommer att jämföras med avseende på respektive styrkor och svagheter.

Statistisk modellering Två populationer kommer att analyseras: patienter med diabetes utan fotsår och patienter med diabetes med fotsår. Samvariation och orsakssamband mellan riskfaktorer och fotsår kommer att identifieras. En modell som beskriver orsaksvägar som leder till sårutveckling kommer att utvecklas, och dess säkerhet och osäkerhet kommer att analyseras.

Studieöversikt

Status

Rekrytering

Betingelser

Detaljerad beskrivning

I denna registerbaserade studie, med data från Närhälsans elektroniska journalsystem i Västra Götalandsregionen (VGR) och länkning med data från Statistiska centralbyrån (SCB), kommer forskningsfrågorna att behandlas genom utveckling och validering av AI-baserade modeller. I ett senare skede av processen kommer AI-modellernas förmåga att förutsäga fotsår att jämföras med statistiska modellers förmåga.

Från Asynja Whisp, Närhälsans elektroniska journalsystem i VGR, kommer data att hämtas för alla vuxna patienter (18 år eller äldre) med diagnoser (enligt ICD-10) som antingen har en diabetesdiagnos (E10-E14) eller har fått något diabetesläkemedel utskrivet efter 18 års ålder, under perioden från 2014 till 30 juni 2025.

Baserat på, bland andra variabler, diagnoskoder (ICD-10), procedurkoder (KVÅ), besökstyper, besöksfrekvens, EKG-parametrar och fritext/kliniska anteckningar kommer prediktorer att identifieras, såsom neuropati, nedsatt cirkulation, tidigare sår, antibiotikabehandling, fotdeformiteter och hudstatus. Datan kommer att valideras och vid behov kompletteras med ytterligare parametrar.

Metoder för att behandla forskningsfrågorna

Maskininlärningsbaserade modeller kommer att tränas för att förutsäga risken för att utveckla fotsår. Korsvalidering kommer att användas för att identifiera optimala hyperparametrar för varje modell. I första fasen kommer modellernas förmåga att skilja mellan patienter med diabetiska fotsår och patienter utan fotsår att utvärderas. I andra fasen kommer modellernas förmåga att prospektivt förutsäga sårutveckling att bedömas. Överflödiga variabler kommer att exkluderas, och modellerna kommer att omtränas i en iterativ process för att öka robustheten.

Modellerna kommer att kombineras med konform prediktion för att integrera osäkerhetsuppskattning i förutsägelserna och för att identifiera patienter för vilka modellen är olämplig för prediktion. Slutligen kommer de mest prediktiva variablerna att identifieras med Shapley-värden (SHAP).

Statistiska modeller

Med elektronisk journaldata från Asynja Whisp vårdinformationssystem i VGR:s primärvård, tillsammans med SCB-data och vetenskapliga och empiriska bevis, kommer variabler och kategorier som utgör potentiella riskfaktorer för fotsår att identifieras. Ett fall-kontroll-design kommer att tillämpas, där kontrollgruppen består av personer med diabetes som inte har utvecklat fotsår, jämfört med patienter som har utvecklat fotsår.

I utvecklingen av statistiska prediktionsmodeller innebär arbetsflödet att analysera populationer, dvs. alla patienter med diabetes utan fotsår jämfört med alla patienter med diabetes som har fotsår. Detta möjliggör undersökning av potentiella samband mellan förekomsten av fotsår hos patienter med diabetes och andra faktorer. I samarbete med läkarkåren kommer orsakssamband som ligger till grund för förekomsten av fotsår att identifieras. En modell kommer att utvecklas som beskriver orsakskedjor som leder till förekomsten av fotsår hos patienter med diabetes, och information kommer att ges om modellens grad av säkerhet.

Baserat på resultaten av modellerna (både AI-genererade och statistiska) kommer styrkor och svagheter hos varje tillvägagångssätt att jämföras. Validering av de utvecklade modellerna kommer att utföras på en oberoende dataset för att säkerställa att resultaten är generaliserbara och robusta över tid.

Valideringsstrategin säkerställer att modellen presterar väl på nya patienter och inte bara på datasetet från vilket den utvecklades. Utfallsmått för validering inkluderar sensitivitet (hur väl modellen identifierar de som verkligen har hög risk för fotsår), specificitet (hur väl modellen undviker falska larm) och positivt prediktivt värde (PPV). Dessutom kommer modellen att tolkas för att säkerställa transparens och klinisk tolkbarhet. Utveckling, testning och validering kommer att genomföras i samarbete med patientrepresentanter, kliniker och forskare.

Studietyp

Observationell

Inskrivning (Beräknad)

100000

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

  • Namn: Ulla Hellstrand Tang, Associate Professor
  • Telefonnummer: +46706397913
  • E-post: ulla.tang@vgregion.se

Studera Kontakt Backup

Studieorter

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Studiepopulationen består av alla berättigade vuxna patienter som får primärvård inom Region Västra Götaland (VGR). Data kommer att extraheras från Assynja Whisp, det elektroniska journalsystem som används av Närhälsan, den offentliga primärvårdgivaren i VGR. Datasetet innehåller information om alla patienter som uppfyller inklusionskriterierna och som har registrerats i systemet under studieperioden. Extraherade data omfattar rutinmässigt insamlad klinisk, diagnostisk och receptinformation, vilket möjliggör omfattande befolkningsbaserade analyser

Beskrivning

Inklusionskriterier:

  • Vuxna patienter som är 18 år eller äldre vid inklusionstillfället
  • Patienter med diagnosen diabetes mellitus enligt ICD-10-koder E10-E14, och/eller
  • Patienter som har fått minst ett diabetesrelaterat läkemedel utskrivet efter 18 års ålder
  • Patienter med relevanta diagnoser och/eller recept registrerade i studie datakällor mellan 1 januari 2014 och 30 juni 2025

Exklusionskriterier:

  • Patienter som är yngre än 18 år vid tidpunkten för diabetesdiagnos eller läkemedelsutskrivning
  • Patienter utan registrerad diabetesdiagnos (ICD-10 E10-E14) och utan utskrivet diabetesläkemedel efter 18 års ålder
  • Patienter med ofullständiga eller saknade nyckeldata som krävs för modellutveckling eller validering (t.ex. saknat utfall eller väsentliga kovariater)

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Patienter med diabetes med fotsår
Patienter med diabetes och fotsår registrerade i det elektriska journal systemet från primärvården i Region Västra Götaland.
Patienter med diabetes utan fotsår
Patienter med diabetes utan fotsår registrerade i det elektroniska journalsystemet från primärvården i Region Västra Götaland.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Prestanda för maskininlärningsbaserade prediktionsmodeller för risk för diabetiska fotsår
Tidsram: Från studie start till 2027-12-31

Det primära resultatmåttet är den prediktiva prestandan hos maskininlärningsbaserade modeller som utvecklats för att uppskatta risken för diabetisk fotulcerering hos patienter med diabetes. Modellerna kommer att tränas med hjälp av övervakade maskininlärningstekniker, med optimala hyperparametrar identifierade genom korsvalidering.

I den inledande utvärderingsfasen kommer modellernas prestanda att bedömas för förmågan att särskilja mellan patienter med och utan befintliga diabetiska fotsår. I en efterföljande fas kommer modellernas förmåga att prospektivt förutsäga utvecklingen av diabetiska fotsår under uppföljning att utvärderas.

Modellernas robusthet kommer att förbättras genom en iterativ process där redundanta variabler utesluts och modeller tränas om. Prediktiv prestanda kommer att kvantifieras med etablerade mått som diskriminering, kalibrering och klassificeringsnoggrannhet.

För att ta hänsyn till osäkerhet i individuella prediktioner kommer de slutliga modellerna att kombineras med Conformal Prediction-met

Från studie start till 2027-12-31

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Identifiering och tolkningsbarhet av riskfaktorer för utveckling av diabetiska fotsår
Tidsram: Från studiestart till 2027-12-31

Det sekundära utfallet är identifiering och validering av kliniska, demografiska och socioekonomiska variabler som är potentiella riskfaktorer för utveckling av diabetiska fotsår hos patienter med diabetes. Variabler och riskfaktorkategorier kommer att identifieras med hjälp av elektroniska journaldata från primärvårdens informationssystem Assynja Whisp i Region Västra Götaland, kopplade med nationella registerdata från Statistiska centralbyrån (SCB), tillsammans med etablerad vetenskaplig och empirisk evidens.

En fall-kontrollstudiedesign kommer att tillämpas, där patienter med diabetes som utvecklar fotsår jämförs med en kontrollgrupp av patienter med diabetes som inte utvecklar fotsår. Analyser på populationsnivå kommer att genomföras för att undersöka associationer och samvariation mellan förekomst av diabetiska fotsår och andra relevanta faktorer.

Från studiestart till 2027-12-31

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Utredare

  • Huvudutredare: Ulla Hellstrand Tang, Associate Professor, The Department of Prosthetics & Orthotics at the Department for Biomedical Engineering and Medical Physics at Sahlgrenska University Hospital, Gothenburg, Sweden

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

30 januari 2014

Primärt slutförande (Beräknad)

30 december 2027

Avslutad studie (Beräknad)

30 december 2027

Studieregistreringsdatum

Först inskickad

14 december 2025

Först inskickad som uppfyllde QC-kriterierna

14 december 2025

Första postat (Faktisk)

29 december 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

29 december 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

14 december 2025

Senast verifierad

1 december 2025

Mer information

Termer relaterade till denna studie

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .

Prenumerera