TrialsgramBetaRCTs are beautiful
Ungeprüfte ÜbersetzungDie Deutsche Übersetzung dieses Eintrags wurde nicht fachlich geprüft und kann vom Original abweichen. Akronym, vollständiger Titel und Zitat bleiben stets in der Originalsprache.Originalpublikation öffnen ↗

Zhang AI-OCT (DME)

An AI-Based OCT System to Detect Diabetic Macular Edema: A Prospective Validation and Noninferiority Randomized Clinical Trial

Patient / Population Intervention / Exposition Vergleich Endpunkt

Bei 276 Patienten mit Verdacht auf diabetisches Makulaödem, senkte ein KI-basierter OCT-Befund zusätzlich zur Überweisungsentscheidung die falsch-positive Überweisungen verglichen mit die Überweisung allein anhand des Fundusfoto-Screeningbefunds.

N
276Patienten
Design
Prospektive Silent-Mode-Validierung + multizentrische Nichtunterlegenheits-RCT, Hongkong
Endpunkt
Rate falsch-positiver DMÖ-Überweisungen (Nichtunterlegenheitsgrenze 20 %)
Relevanz
2Wichtig — eine von mehreren Säulen.
ErgebnisFalsch-positive DMÖ-Überweisung 24,1 % vs. 69,1 % (absolute Differenz −45 %; 95 %-KI −58,2 % bis −31,9 %; p<0,001 für Nichtunterlegenheit). Sensitivität für die DMÖ-Überweisung 100,0 % in beiden Gruppen; Spezifität 86,5 % vs. 0,0 %. Silent-Mode-Validierung (603 Patienten): Sensitivität 98,8 %, Spezifität 90,7 %.
Zhang S, et al. JAMA. 2026;336(3):215-223. 10.1001/jama.2026.7025
Diskussion & Kritik

Ein Modell schrittweiser Evaluation — zuerst Silent-Mode-Validierung, dann eine randomisierte Studie — und der Nachweis, dass ein zweistufiges KI-OCT-Screening unnötige fachärztliche Überweisungen wegen DMÖ substanziell senken kann, ohne einen Fall zu übersehen. Die Studie ist klein, stammt aus einem einzigen Screening-Programm, und weil jeder Teilnehmer letztlich fachärztlich gesehen wurde, misst sie die Überweisungsgenauigkeit und nicht nachgelagerte visuelle Outcomes.