糖尿病视网膜病变的人工智能筛查 (AimdR)
2026年8月6日 更新者：West German Center of Diabetes and Health
人工智能模型在现实生活中筛查糖尿病视网膜病变的准确性
糖尿病患病率的增加代表了一个主要的健康问题，特别是因为大约 40% 的糖尿病患者患有糖尿病性视网膜病变，这会严重损害视力并可能导致失明。
这种发展可以通过年度检查和及时转诊治疗来预防。
但是，考试质量存在较大差异，考试预约存在瓶颈。
该问题的解决方案可能是使用人工智能 (AI)，尤其是深度学习。
初步研究表明，深度学习算法可成功用于检测糖尿病视网膜病变。
然而，人工智能的使用能否在视网膜病变的检测中达到足够高的准确度还有待澄清。
因此，在本研究中，人工智能算法“MONA-DR-Model”在糖尿病检测中的阳性预测值（PPV）、阴性预测值（NPV）、敏感性（SEN）和特异性（SPEZ）应测量视网膜病变。
此外，还有待检验轻度和重度视网膜病变分类的对应程度以及患者对这种新检查方法的接受程度。
研究概览
详细说明
作为研究的一部分，使用“Crystalvue NFC 600”为每只眼睛和患者拍摄 45 度眼底图像。
然后使用“MONA-DR-模式”分析眼底照片并分类为“根据 AI 存在的糖尿病性视网膜病变（K+）”或“根据 AI 缺失的糖尿病性视网膜病变（K-）”。
这些分类与疾病管理计划 (DMP) 糖尿病中常规提供的检查结果（“根据医生在场的糖尿病性视网膜病变 (A+)”或“根据医生缺席的糖尿病性视网膜病变 (A-)”）进行比较对在西德糖尿病与健康中心 (WDGZ) 眼底照相前后 6 个月内工作的住院眼科医生进行的 2 型眼病进行了比较。
所有评估为“根据 AI 存在糖尿病性视网膜病变 (K+)”或在门诊环境中与眼科 DMP 检查不符的患者都会在 Marienhospital 进行常规预约。
然后，眼科医生会在那里进行眼科检查，并且在不知道之前的检查结果的情况下，重新评估和分类为“根据医生在场的糖尿病性视网膜病变 (A+)”或“根据医生缺席的糖尿病性视网膜病变 (A-) )”由人工智能执行。
研究类型
观察性的
注册 (估计的)
100
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习联系方式
- 姓名：Stephan Martin, MD
- 电话号码：70 +49-2115660360
- 邮箱：stephan.martin@uni-duesseldorf.de
研究联系人备份
- 姓名：Kerstin Kempf, PhD
- 电话号码：16 +49-2115660360
- 邮箱：kerstin.kempf@wdgz.de
学习地点
-
-
-
Düsseldorf、德国、40591
- 招聘中
- West German Center of Diabetes and Health
-
首席研究员：
- Stephan Martin, MD
-
接触：
- Stephan Martin, MD
- 电话号码：+49(0)211-56 60 360 71
- 邮箱：stephan.martin@uni-duesseldorf.de
-
接触：
- Kerstin Kempf, PhD
- 电话号码：+49(0)211-56 60 360 16
- 邮箱：kerstin.kempf@wdgz.de
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
18年 及以上 (成人、年长者)
接受健康志愿者
不
取样方法
概率样本
研究人群
西德糖尿病与健康中心的 2 型糖尿病患者
描述
纳入标准：
- 糖尿病的诊断
- 糖尿病病程≥5年
- 年龄 > 18 岁
- 患者能够给予知情同意
- 流利的书面和口头德语，或有口译员在场
排除标准：
- 激光治疗史
- 研究中使用的眼底成像系统的禁忌症
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
- 观测模型：病例对照
- 时间观点：其他
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
K+A+
根据 AI 的糖尿病视网膜病变 (K+) 和根据医生的糖尿病视网膜病变 (A+)
|
使用 Crystalvue NFC 600 为每只眼睛和患者拍摄 45 度眼底图像。
然后使用 MONA DR 模型分析眼底照片，并根据是否存在糖尿病性视网膜病变进行分类。
|
|
K+A-
根据 AI 存在的糖尿病视网膜病变 (K+) 和根据医生缺席的糖尿病视网膜病变 (A-)
|
使用 Crystalvue NFC 600 为每只眼睛和患者拍摄 45 度眼底图像。
然后使用 MONA DR 模型分析眼底照片，并根据是否存在糖尿病性视网膜病变进行分类。
|
|
K-A+
根据 AI 的糖尿病视网膜病变不存在 (K-) 和根据医生在场的糖尿病视网膜病变 (A+)
|
使用 Crystalvue NFC 600 为每只眼睛和患者拍摄 45 度眼底图像。
然后使用 MONA DR 模型分析眼底照片，并根据是否存在糖尿病性视网膜病变进行分类。
|
|
K A-
根据 AI 的糖尿病视网膜病变不存在 (K-) 和根据医生的糖尿病视网膜病变不存在 (A-)
|
使用 Crystalvue NFC 600 为每只眼睛和患者拍摄 45 度眼底图像。
然后使用 MONA DR 模型分析眼底照片，并根据是否存在糖尿病性视网膜病变进行分类。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
PPV
大体时间：12个月
|
阳性预测值
|
12个月
|
|
净现值
大体时间：12个月
|
阴性预测值
|
12个月
|
|
森
大体时间：12个月
|
灵敏度
|
12个月
|
|
SPEZ
大体时间：12个月
|
特异性
|
12个月
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
患者偏好
大体时间：12个月
|
关于人工智能支持的眼科检查的患者偏好和满意度调查问卷
|
12个月
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2023年1月30日
初级完成 (估计的)
2027年12月31日
研究完成 (估计的)
2027年12月31日
研究注册日期
首次提交
2023年1月19日
首先提交符合 QC 标准的
2023年1月19日
首次发布 (实际的)
2023年1月30日
研究记录更新
最后更新发布 (实际的)
2026年8月10日
上次提交的符合 QC 标准的更新
2026年8月6日
最后验证
2026年8月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.