Курышева Н.И., д.м.н., профессор, заведующая консультативно-диагностическим отделение
123098, Москва, ул. Живописная, 46, корп. 8;
123098, Москва, ул. Гамалеи, 15
Kurysheva N.I., Dr. Sci. (Med.), Professor, Head of the Consultative and Diagnostic Department
46-8 Zhivopisnaya St., Moscow, 123098;
15 Gamalei St., Moscow, 123098
Пономарева С.И., ассистент кафедры; врач-офтальмолог
123098, Москва, ул. Живописная, 46, корп. 8;
123098, Москва, ул. Гамалеи, 15
Ponomareva S.I., Assistant at the Academic Department; ophthalmologist
46-8 Zhivopisnaya St., Moscow, 123098;
15 Gamalei St., Moscow, 123098
Родионова О.Е., д.ф.-м.н., главный научный сотрудник
119991, Москва, ул. Косыгина, 4
Rodionova O.Ye., Dr. Sci. (Phys. and Math.), principal researcher
4 Kosygina St., Moscow, 119991
Померанцев А.Л., д.ф.-м.н., главный научный сотрудник
119991, Москва, ул. Косыгина, 4
Pomerantsev A.L., Dr. Sci. (Phys. and Math.), principal researcher
4 Kosygina St., Moscow, 119991
ЦЕЛЬ. Разработать способ индивидуального прогнозирования скорости прогрессирования развитой и далекозашедшей стадий первичной открытоугольной глаукомы (ПОУГ).
МЕТОДЫ. В исследование включались пациенты с подтвержденной развитой и далекозашедшей стадиями ПОУГ, находившиеся под наблюдением не менее 36 месяцев. Прогнозирование скорости утраты зрительных функций осуществлялось с использованием современных методов машинного обучения, а именно, Ranked PLS-DA, который отличается высокой устойчивостью к мультиколлинеарности и позволяет учитывать упорядоченность классов. В качестве входных данных рассматривались полный набор из 34 переменных и оптимизированный из 20 переменных, включающих демографические, функциональные, структурные и сосудистые показатели. Для оптимизации и валидации модели былbискусственно смоделирован проверочный (тестовый) набор с помощью метода прокрустовой кросс-валидации (Procrustes Cross-Validation, PCV). Эффективность моделей оценивали с помощью специфических метрик: чувствительности, специфичности, общей эффективности (TEFF) и площади под ROC-кривой (AUC).
РЕЗУЛЬТАТЫ. Оптимизированный набор переменных позволяет повысить чувствительность модели (0,93 против 0,78) при сохранении высокой специфичности (0,78). Общая эффективность на тестовой выборке составила 0,77 для сокращенного набора, AUC 0,9. Модель позволяла не только различать пациентов с быстрым, умеренным и медленным темпом прогрессирования, но и выделять «пограничные» случаи, требующие более тщательного мониторинга. Анализ вклада отдельных переменных выявил ключевые предикторы, влияющие на точность прогноза: возраст, толщина слоя нервных волокон сетчатки и ганглиозного комплекса, перипапиллярная сосудистая плотность и толщина сетчатки в парафовеа. Полученные результаты подчеркивают важность комплексного подхода к оценке риска развития необратимых изменений зрительных функций.
ЗАКЛЮЧЕНИЕ. Разработанная модель Ranked PLS-DA продемонстрировала высокую эффективность в стратификации пациентов с развитой и далекозашедшей глаукомой по темпу прогрессирования. Модель может служить надежной основой для индивидуализации наблюдения и терапии в рутинной практике.
PURPOSE. To develop a method for individualized prediction of the rate of progression in moderate and advanced primary open-angle glaucoma (POAG).
METHODS. The study included patients with confirmed moderate and advanced POAG who had been under observation for at least 36 months. Prediction of the rate of visual function loss was performed using modern machine learning methods, specifically Ranked PLS-DA, which is highly resistant to multicollinearity and allows for the ordered nature of classes to be taken into account. Two sets of input data were considered: a complete set of 34 variables and an optimized set of 20 variables, including demographic, functional, structural, and vascular indicators. For model optimization and validation, a test dataset was artificially generated using Procrustes Cross-Validation (PCV) method. Model performance was evaluated using specific metrics: sensitivity, specificity, total efficiency (TEFF), and area under the ROC curve (AUC).
RESULTS. The optimized set of variables improved model sensitivity (0.93 vs 0.78) while maintaining high specificity (0.78). Total efficiency on the test dataset was 0.77 for the reduced set, with an AUC of 0.9. The model not only distinguished patients with fast, moderate, and slow progression rates but also identified «borderline» cases requiring closer monitoring. Analysis of individual variable contributions revealed key predictors influencing prognostic accuracy: age, retinal nerve fiber layer thickness and ganglion cell complex thickness, peripapillary vessel density, and parafoveal retinal thickness. These findings underscore the importance of a comprehensive approach to assessing the risk of irreversible changes in visual functions.
CONCLUSION. The developed Ranked PLS-DA model demonstrated high effectiveness in stratifying patients with moderate and advanced glaucoma according to progression rate. The model may serve as a reliable basis for individualized monitoring and therapy in routine clinical practice.
The authors declare that there are no conflicts of interest present.