Project

Back to overview

Developing novel outcomes for clinical trials in Stargardt disease using structure/function relationship and deep learning

Applicant Scholl Hendrik
Number 201165
Funding scheme Project funding
Research institution Augenklinik Inst. of Mol. and Clin. Opht. Basel (IOB) University of Basel
Institution of higher education University of Basel - BS
Main discipline Ophthalmology
Start/End 01.03.2022 - 28.02.2026
Approved amount 908'000.00
Show all

Keywords (7)

Hereditary macular disease; Optical coherence tomography; Microperimetry; Outcome parameters; Stargardt disease; Deep learning; Structure/function relationship

Lay Summary (German)

Lead
Morbus Stargardt ist eine erbliche Netzhauterkrankung, die schwere Sehbehinderungen verursacht. In den letzten Jahren hat sich das Wissen über genetische Mutationen, die zu dieser Krankheit führen, vergrößert, wodurch sich neue Behandlungsmöglichkeiten eröffnen. Eine grosse Herausforderung besteht darin, ihre Wirksamkeit in klinischen Studien zu testen. Im Rahmen dieses Projekts soll ein zentraler Outcome-Parameter für klinische Studien etabliert werden, um die Wirksamkeit eines Therapieansatzes zu beurteilen. Bisher wird meist die Bewertung des Sehvermögens herangezogen, die jedoch subjektiv und mit erheblicher Datenvariabilität verbunden ist. Unsere zentrale Hypothese ist, dass wir einen signifikant verbesserten Outcome-Parameter für klinische Studien definieren, wenn wir funktionelle Parameter mit Parametern kombinieren, die durch Bildgebung gewonnen werden.
Lay summary

Inhalt und Ziele
1. Charakterisierung der Beziehung von Struktur (aus der Bildgebung) und Funktion (aus psychophysischen Tests) bei Morbus Stargardt.
2. Verbesserung dieses Modells der Struktur-Funktion-Beziehung durch künstliche Intelligenz.
3. Entwicklung eines Modells, zur Vorhersage der Entwicklung eines Gesichtsfeldausfalls, auf der Grundlage dieser Struktur-Funktion-Beziehung.

Wissenschaftlicher und gesellschaftlicher Kontext
Morbus Stargardt verursacht eine erhebliche Sehbehinderung und Verlust an Lebensqualität. Derzeit kann die Krankheit nicht behandelt werden. Es wurden verschiedene Therapieansätze entwickelt, aber es fehlen ausreichende Tests an Patienten, die eine Zulassung durch die Behörden ermöglichen würden. Mit einem optimierten Outcome-Parameter für klinische Studien würden die Studien besser durchführbar, was einen massgeblichen Schritt zur Prävention signifikanter Sehbehinderungen darstellt.

Direct link to Lay Summary Last update: 06.05.2021

Responsible applicant and co-applicants

Employees

Project partner

Associated projects

Number Title Start Funding scheme
182895 NCCR MSE: Molecular Systems Engineering (phase II) 01.07.2018 National Centres of Competence in Research (NCCRs)

Abstract

Stargardt disease is an inherited retinal disease that typically starts to cause visual symptoms during childhood or adolescence. The by far most prevalent form of Stargardt disease (Stargardt disease type 1, STGD1) is inherited in an autosomal recessive manner and caused by mutations in the ABCA4 gene. With the genetic discovery of the disease, novel treatment options are on the horizon, but currently there is no approved treatment for the disease available. One of the challenges for the approval of a drug is to find a sufficient main outcome parameter. In STGD1 disease visual acuity is not a good outcome, because the disease is characterized by a progressive loss visual fields. Functional measures such as microperimetry (MP) show large variability, structural measures such as optical coherence tomography (OCT) are not patient-relevant. We hypotheisze that an optimized estimator of visual field deterioration over time can be developed and that structural data can be used to improve prediction of visual function in STGD1 disease. To test this hypothesis, the data of the ProgStar study, which enrolled 345 patients with STGD1, will be used. Baseline OCT and MP data will be used for the characterization of the structure/function relationship. To refine the structure/function relationship we will apply a deep learning-based model. We will use the structure/function relationship as obtained from the baseline data to predict the future development of visual field decline in STGD1. At the end of this grant we expect to have an improved combined structure/function that can be used in clinical studies involving STGD1 patients. This will facilitate pivotal clinical trials in this field and may accelerate the approval of novel treatments for STGD1 disease.
-