Verklig prestanda hos det AI-baserade diagnostiska systemet IDx-DR vid diagnostik av diabetisk retinopati och dess huvudsakliga förväxlingsfaktorer

Varför detta nya ögonprov spelar roll

För personer med diabetes kan synförlust från ögonskador smyga sig på tyst och bli bestående. Regelbundna ögonkontroller förebygger många fall av blindhet, men det finns inte tillräckligt många ögonläkare för att undersöka alla så ofta som behövs. Denna studie undersökte ett helt automatiserat system baserat på artificiell intelligens (AI), kallat IDx-DR, för att se hur väl det kan upptäcka diabetisk ögonsjukdom i vardaglig klinisk praxis och vilka verkliga hinder som kvarstår.

Ett växande behov av snabba ögonkontroller

Diabetes ökar i hela världen, och ungefär en av tre personer med diabetes utvecklar skador på den ljuskänsliga vävnaden bak i ögat, en åkomma känd som diabetisk retinopati. Om det upptäcks tidigt kan skadan behandlas så att risken för blindhet minskar avsevärt. Utmaningen är att screena miljontals människor kräver tid, utbildning och dyr utrustning. IDx-DR syftar till att avlasta denna börda: sjuksköterskor eller utbildade assistenter tar fotografier av näthinnan med en specialkamera, och bilderna skickas till molnbaserad mjukvara som automatiskt klassificerar ögat som utan, mild, måttlig eller svår sjukdom, utan att en ögonläkare måste vara på plats.

Sätter AI-systemet på prov

Forskarkollektivet utvärderade IDx-DR hos 875 patienter med diabetes som behandlades på ett specialiserat sjukhus i Tyskland. Gruppen var bred och inkluderade barn så unga som 8 år och vuxna upp till 92 år, och båda de stora diabetesformerna. För varje person tog assistenter fyra näthinnefotografier i ett nedsläckt rum, utan att använda pupillvidgande droppar, för att efterlikna ett typiskt primärvårdsbesök. AI-systemet analyserade dessa bilder och gav en enda diagnos per patient, baserad på det mest påverkade ögat. Alla patienter genomgick också en fullständig undersökning av erfarna ögonläkare med pupillvidgning, vilken användes som guldstandard, och de lagrade fotografierna graderades senare av ögonläkare som inte kände till AI-resultaten.

Hur väl kände AI igen sjukdom?

När bilder av god kvalitet fanns tillgängliga presterade AI särskilt bra för de farligaste fallen. För svår diabetisk ögonsjukdom var dess sensitivitet—andel verkligt påverkade patienter som den korrekt identifierade—ungefär 94 %, och dess specificitet—hur ofta den korrekt lugnade dem utan svår sjukdom—ungefär 90 %. Hos mer än hälften av patienterna med analyserbara bilder överensstämde AI:s fyrgradiga bedömning exakt med läkarens undersökning med vidgade pupiller. När den avvek tenderade den att vara försiktig: den klassade oftare sjukdom som allvarligare än den verkligen var än att missa allvarliga problem. Att underskatta svårighetsgraden, vilket skulle kunna fördröja nödvändig behandling, inträffade hos mindre än 5 % av patienterna med användbara bilder och mycket sällan hos dem med verkligt svår sjukdom.

Dolda hinder: att få användbara bilder

Den största svagheten var inte AI:s beslutsfattande utan praktiska svårigheter att ta bilder som den kunde tolka. Hos ungefär en av tio patienter kunde personalen inte fånga någon näthinnebild alls, och hos cirka en av fyra bedömde AI att bilderna var för dåliga för analys. Studien undersökte orsakerna. Små pupiller var en nyckelfaktor: patienter med trånga pupiller under 3 millimeter hade betydligt färre användbara bilder. Högre ålder, grumliga ögonlinser (katarakt), befintlig diabetesorsakad svullnad i näthinnan och låg synskärpa gjorde fotografering och analys svårare. Även den som tog bilderna spelade roll. Med träning och erfarenhet minskade en undersökares andel oanvändbara bilder kraftigt och tiden per patient sjönk, men efter en lång paus från praktik försämrades prestationen igen.

Vad detta innebär för framtidens ögonvård

För allmänheten är huvudbudskapet att autonom AI säkert kan hjälpa till att identifiera personer med avancerade diabetesrelaterade ögonskador, särskilt där ögonläkare är knappa. Dess användbarhet är dock starkt beroende av tydliga näthinnebilder, vilka är svårare att få hos äldre patienter, dem med små pupiller eller katarakt, eller i stressade, underbemannade miljöer. Studien tyder på att bättre kameraprotokoll, noggrann utbildning av personal och eventuellt selektiv användning av pupillvidgande droppar kan förbättra systemets verkliga påverkan avsevärt. För tillfället framstår IDx-DR som lovande som ett triageverktyg för att prioritera vem som behöver träffa en ögonspecialist snarast, snarare än som en fullständig ersättning för mänskliga ögonundersökningar.

Citering: Hunfeld, E., Tayar, A., Paul, S. et al. Real-world performance of the AI diagnostic system IDx-DR in the diagnosis of diabetic retinopathy and its main confounders. Sci Rep 16, 4349 (2026). https://doi.org/10.1038/s41598-026-36970-9

Nyckelord: diabetisk retinopati, artificiell intelligens, retinal avbildning, medicinsk screening, ögonhälsa