Högskolan i Skövde

Mikrovaskulära komplikationer, såsom diabetisk retinopati och diabetisk neuropati, är allvarliga konsekvenser av typ 1-diabetes och tidig upptäckt är viktig för att minska risken för synnedsättning eller nervskada. Denna studie undersöker om maskininlärning kan användas för att prediktera dessa komplikationer och jämför två modeller: SVM-RBF och Random Forest. Studien bygger på ett utdrag ur det Nationella Diabetesregistret (NDR) och kompletteras med semi-strukturerade intervjuer med beslutsfattare inom diabetesvården för att bedöma modellernas kliniska acceptans som beslutsstöd.

Studien har en tvåfasig metodansats där första fasen använder experiment där modellerna tränas och utvärderas med hjälp av prestandamått såsom AUC, precision, recall, F1-score, missfrekvens och FP-frekvens. Den andra fasen använder semi-strukturerade intervjuer för att fånga kliniska acceptanskriterier.

Resultaten visar att Random Forest presterade bäst för retinopati med AUC 0,82, missfrekvens på 18 % och FP-frekvens på 35 %. För neuropati presterade SVM-RBF bäst med en AUC 0,76, missfrekvens på 34 % och FP-frekvens på 26 %. Intervjuerna visade samtidigt att beslutsfattare inom diabetesvården såg modellerna främst som beslutsstöd, att en låg felmarginal (5–10 %) efterfrågas och modellens förklarbarhet är centralt för att skapa tillit till modellerna. Ingen av modellerna uppnådde den acceptansnivå som beskrevs som kliniskt acceptabel av beslutsfattare.

Slutsatsen är därmed att maskininlärning har potential att stödja tidig identifiering av mikrovaskulära komplikationer hos typ 1-diabetiker, men att modellernas praktiska användbarhet begränsas av obalans i datamaterialet och kliniska acceptanskrav.

Microvascular complications such as diabetic retinopathy and diabetic neuropathy are serious consequences of type 1 diabetes, and early detection is important to reduce the risk of vision loss and nerve damage. This study investigates whether machine learning can be used to predict these complications and compares two models: SVM-RBF and Random Forest. The study is based on an extract from the Swedish National Diabetes Registry (NDR) and is complemented by semi-structured interviews with clinicians within diabetes care to assess the clinical acceptability of the models as decision support.The study is comprised of two phases. In the first stage, experiments are conducted in which the models are trained and evaluated using performance metrics such as AUC, precision, recall, F1-score, miss rate and false positive rate. In the second stage, semi-structured interviews are conducted to capture clinical acceptability criteria.The results show that Random Forest performed best for retinopathy, with an AUC of 0,82, a miss rate of 18 % and a false positive rate of 35 %. For neuropathy, SVM-RBF performed best, with an AUC of 0,76, a miss rate of 34 % and a false positive rate of 26 %. The interviews showed that clinicians within diabetes care primarily viewed the models as decision support, that a low error margin (5–10 %) is expected, and that explainability is central to building trust towards the models. Neither model reached the level of acceptability described as clinically acceptable by the clinicians.The conclusion is that machine learning has potential to support early identification of microvascular complications in patients with type 1 diabetes, but its practical usefulness is limited by class imbalance within the dataset and the clinical acceptability requirements.