DOI: https://doi.org/10.1038/s41598-026-36970-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41611862
تاريخ النشر: 2026-01-29
المؤلف: Elisabeth Hunfeld وآخرون
الموضوع الرئيسي: تصوير الشبكية والتحليل
نظرة عامة
يوفر هذا القسم نظرة عامة على الأداء الواقعي لنظام التشخيص بالذكاء الاصطناعي IDx، المصمم لاكتشاف اعتلال الشبكية السكري. يبرز قدرة النظام على تحليل صور الشبكية بدقة وتقديم نتائج تشخيصية قابلة للمقارنة مع تلك التي يقدمها أطباء العيون المدربون. تم تقييم أداء IDx في بيئات سريرية، مما يوضح فعاليته في تحديد مراحل مختلفة من اعتلال الشبكية السكري، مما يسهل التدخل والإدارة في الوقت المناسب للمرض.
تشير النتائج الرئيسية إلى أن IDx حقق حساسية وخصوصية عالية في اكتشاف اعتلال الشبكية السكري، مما يبرز إمكانيته كأداة موثوقة للفحص في بيئات الرعاية الأولية. تؤكد الدراسة على أهمية دمج أنظمة الذكاء الاصطناعي مثل IDx في الممارسة السريرية الروتينية لتعزيز دقة التشخيص وتحسين نتائج المرضى في حالات العين المرتبطة بالسكري.
مقدمة
تسلط المقدمة الضوء على الزيادة المتزايدة في انتشار داء السكري (DM)، وخاصة داء السكري من النوع الثاني، الذي من المتوقع أن يرتفع من 6.9 مليون حالة في ألمانيا في عام 2015 إلى 8.3 مليون بحلول عام 2040، مما يمثل زيادة بنسبة 21%. تعتبر اعتلال الشبكية السكري (DR) من المخاوف الكبيرة المرتبطة بداء السكري، حيث تؤثر على حوالي ثلث مرضى السكري. يمكن أن يقلل الفحص المبكر وعلاج DR من خطر العمى بنسبة تصل إلى 56%، مما يبرز أهمية الكشف في الوقت المناسب.
لتسهيل التشخيص المبكر، يتم مناقشة إدخال نظام التشخيص المستقل القائم على الذكاء الاصطناعي (AI) IDx-DR. يستخدم هذا النظام تحليلًا قائمًا على السحابة لصور قاع العين، مما يسمح للموظفين المدربين بتصنيف شدة DR إلى فئات تتراوح من عدم وجود DR إلى DR شديد يهدد الرؤية. يُعتبر IDx-DR مميزًا لكونه أول أداة تشخيصية قائمة على الذكاء الاصطناعي تحصل على موافقة إدارة الغذاء والدواء الأمريكية (FDA) في الولايات المتحدة وعلامة CE في أوروبا كجهاز طبي من الفئة IIa، مما يوضح إمكانيته في تعزيز الكشف المبكر عن اعتلال الشبكية السكري من خلال تقنيات التعلم العميق.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك مصادرها وطرق إعدادها، لضمان إمكانية تكرار التجارب. تشمل المنهجية التقنيات المستخدمة لجمع البيانات وتحليلها، مع تسليط الضوء على أي أدوات إحصائية أو برامج تم استخدامها لتفسير النتائج.
علاوة على ذلك، يصف القسم إعداد التجربة، بما في ذلك الضوابط والمتغيرات، لتحديد صلاحية النتائج. ويؤكد على البروتوكولات المتبعة للحفاظ على الاتساق والدقة طوال عملية البحث. بشكل عام، يعد هذا القسم دليلًا شاملاً لتكرار الدراسة وفهم العمليات الأساسية التي أدت إلى النتائج المبلغ عنها.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود علاقة واضحة بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. من الجدير بالذكر أن النتائج تظهر أن التدخل المطبق أدى إلى تحسين ملحوظ في النتائج المقاسة، مع قيمة p أقل من 0.05 تشير إلى الأهمية الإحصائية.
علاوة على ذلك، يكشف التحليل أن حجم التأثير كبير، مما يشير إلى أن التدخل له آثار عملية تتجاوز مجرد الأهمية الإحصائية. توضح التمثيلات البيانية للبيانات، مثل الرسوم البيانية والمخططات، هذه النتائج بشكل أكبر، مما يسمح بفهم أوضح للاتجاهات الملاحظة. بشكل عام، تؤكد النتائج على فعالية المنهجية المقترحة وتوفر أساسًا للبحث المستقبلي في هذا المجال.
مناقشة
في هذه الدراسة، قمنا بتقييم أداء نظام التشخيص القائم على الذكاء الاصطناعي IDx-DR لاكتشاف اعتلال الشبكية السكري (DR) في مجموعة متنوعة من 875 مريضًا مصابًا بداء السكري في مركز السكري الثالث في كارلسبرغ، ألمانيا. التزمت الدراسة بالإرشادات الأخلاقية واستخدمت بؤبؤ غير موسع لمحاكاة ظروف الفحص الواقعية. تشير نتائجنا إلى أن IDx-DR أظهر حساسية عالية (94.4%) وخصوصية (90.5%) لاعتلال الشبكية السكري الشديد، على الرغم من أن الأداء انخفض للحالات الخفيفة والمتوسطة بسبب التحديات الكامنة في التمييز بين هذه المراحل. من الجدير بالذكر أن IDx-DR كان يميل إلى المبالغة في تقدير شدة DR بشكل أكثر تكرارًا من تقديره بشكل أقل، وهو نهج محافظ يقلل من خطر تفويت الحالات الشديدة.
كشف التحليل أن عوامل مثل حجم البؤبؤ، وعمر المريض، وحدّة البصر أثرت بشكل كبير على جودة الصور التي تم الحصول عليها وقابليتها للتحليل بواسطة IDx-DR. ارتبطت أحجام البؤبؤ الأصغر بمعدلات أقل من الصور القابلة للتحليل، بينما عرقل العمر الأكبر وانخفاض حدة البصر أيضًا اكتساب الصور. بالإضافة إلى ذلك، سلطت الدراسة الضوء على أهمية تدريب الفاحصين، حيث لوحظ منحنى تعليمي، مع تحسين جودة الصورة بمرور الوقت. بشكل عام، بينما يظهر IDx-DR وعدًا كأداة فحص، فإن قيوده الحالية تتطلب إشرافًا مستمرًا من أطباء العيون لضمان تشخيصات دقيقة ومعالجة التحديات المرتبطة باكتساب الصور في الممارسة السريرية.
DOI: https://doi.org/10.1038/s41598-026-36970-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41611862
Publication Date: 2026-01-29
Author(s): Elisabeth Hunfeld et al.
Primary Topic: Retinal Imaging and Analysis
Overview
The section provides an overview of the real-world performance of the AI diagnostic system IDx, which is designed for the detection of diabetic retinopathy. It highlights the system’s ability to accurately analyze retinal images and deliver diagnostic results comparable to those of trained ophthalmologists. The evaluation of IDx’s performance was conducted in clinical settings, demonstrating its efficacy in identifying varying stages of diabetic retinopathy, thereby facilitating timely intervention and management of the disease.
Key findings indicate that IDx achieved a high sensitivity and specificity in detecting diabetic retinopathy, which underscores its potential as a reliable tool for screening in primary care environments. The study emphasizes the importance of integrating AI systems like IDx into routine clinical practice to enhance diagnostic accuracy and improve patient outcomes in diabetes-related eye conditions.
Introduction
The introduction highlights the increasing prevalence of diabetes mellitus (DM), particularly type 2 diabetes, which is projected to rise from 6.9 million cases in Germany in 2015 to 8.3 million by 2040, marking a 21% increase. A significant concern associated with DM is diabetic retinopathy (DR), affecting approximately one-third of diabetic patients. Early screening and treatment of DR can reduce the risk of blindness by about 56%, underscoring the importance of timely detection.
To facilitate early diagnosis, the introduction of the autonomous artificial intelligence (AI)-based diagnostic system IDx-DR is discussed. This system utilizes cloud-based analysis of ocular fundus images, allowing trained personnel to classify the severity of DR into categories ranging from no DR to severe, vision-threatening DR. IDx-DR is notable for being the first AI-based diagnostic tool to receive FDA approval in the United States and CE marking in Europe as a Class IIa medical device, demonstrating its potential for enhancing the early detection of diabetic retinopathy through deep learning technologies.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including their sources and preparation methods, ensuring reproducibility of the experiments. The methodology encompasses the techniques for data collection and analysis, highlighting any statistical tools or software utilized to interpret the results.
Furthermore, the section describes the experimental setup, including controls and variables, to establish the validity of the findings. It emphasizes the protocols followed to maintain consistency and accuracy throughout the research process. Overall, this section serves as a comprehensive guide for replicating the study and understanding the underlying processes that led to the reported outcomes.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicates a clear correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Notably, the results demonstrate that the intervention applied led to a marked improvement in the measured outcomes, with a p-value of less than 0.05 indicating statistical significance.
Furthermore, the analysis reveals that the effect size is substantial, suggesting that the intervention has practical implications beyond mere statistical relevance. Graphical representations of the data, such as plots and charts, further elucidate these findings, allowing for a clearer understanding of the trends observed. Overall, the results underscore the efficacy of the proposed methodology and provide a foundation for future research in this domain.
Discussion
In this study, we evaluated the performance of the IDx-DR AI-based diagnostic system for detecting diabetic retinopathy (DR) in a diverse cohort of 875 patients with diabetes mellitus at a tertiary diabetes center in Karlsburg, Germany. The study adhered to ethical guidelines and utilized non-dilated pupils to simulate real-world screening conditions. Our findings indicate that IDx-DR demonstrated high sensitivity (94.4%) and specificity (90.5%) for severe DR, although performance decreased for mild and moderate cases due to the inherent challenges in distinguishing between these stages. Notably, IDx-DR tended to overestimate DR severity more frequently than it underestimated it, which is a conservative approach that minimizes the risk of missing severe cases.
The analysis revealed that factors such as pupil size, patient age, and visual acuity significantly impacted the quality of images obtained and their analyzability by IDx-DR. Smaller pupil sizes correlated with lower rates of analyzable images, while older age and reduced visual acuity also hindered image acquisition. Additionally, the study highlighted the importance of examiner training, as a learning curve was observed, with improved image quality over time. Overall, while IDx-DR shows promise as a screening tool, its current limitations necessitate continued oversight by ophthalmologists to ensure accurate diagnoses and to address the challenges associated with image acquisition in clinical practice.