Прогностическое моделирование скорости прогрессирования глаукомной оптической нейропатии методом машинного обучения

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.

1. Vision Loss Expert Group of the Global Burden of Disease Study; GBD 2019 Blindness and Vision Impairment Collaborators. Global estimates on the number of people blind or visually impaired by glaucoma: A meta-analysis from 2000 to 2020. Eye 2024; 38:2036-2046. https://doi.org/10.1038/s41433-024-02995-5

2. European Glaucoma Society. Terminology and guidelines for glaucoma. 5th edition. Br J Ophthalmol 2021; 105(Suppl 1):1-169. https://doi.org/10.1136/bjophthalmol-2021-egsguidelines

3. Hu R, Racette L, Chen KS, Johnson CA. Functional assessment of glaucoma: Uncovering progression. Surv Ophthalmol 2020; 65(6):639-661. https://doi.org/10.1016/j.survophthal.2020.04.004

4. Miki A. Assessment of Structural Glaucoma Progression. J Curr Glaucoma Pract 2012; 6(2):62-67. https://doi.org/10.5005/jp-journals-10008-1108

5. Medeiros FA, Zangwill LM, Girkin CA, Liebmann JM, Weinreb RN. Combining structural and functional measurements to improve estimates of rates of glaucomatous progression. Am J Ophthalmol 2012; 153(6):1197-205.e1. https://doi.org/10.1016/j.ajo.2011.11.015

6. Yang WYL, Wong HJ, Fu CE, Rojas-Carabali W, Agrawal R, Ang BCH. Artificial intelligence in the prediction of glaucoma development and progression: A systematic review. Surv Ophthalmol 2025; S0039-6257(25)00105-5. https://doi.org/10.1016/j.survophthal.2025.06.006

7. Shuldiner SR, Boland MV, Ramulu PY, De Moraes CG, Elze T, Myers J, et al. Predicting eyes at risk for rapid glaucoma progression based on an initial visual field test using machine learning. PLoS One 2021; 16(4):e0249856. https://doi.org/10.1371/journal.pone.0249856

8. Mariottoni EB, Datta S, Shigueoka LS, Jammal AA, Tavares IM, Henao R, et al. Deep Learning-Assisted Detection of Glaucoma Progression in Spectral-Domain OCT. Ophthalmol Glaucoma 2023; 6(3):228-238. https://doi.org/10.1016/j.ogla.2022.11.004

9. Курышева Н.И., Ким В.Ю., Ким В.Е., Лавер А.Б. Индекс кривизны решетчатой мембраны склеры и его связь с морфофункциональными и микроциркуляторными нарушениями при глаукоме. Национальный журнал глаукома 2023; 22(3):15-25.

10. Rao HL, Kumbar T, Kumar A, Chandrasekhar G, Rao G, Garudadri CS. Agreement between event-based and trend-based glaucoma progression analyses. Eye 2013; 27:803-808. https://doi.org/10.1038/eye.2013.77

11. Holló G, Zhou Q. Evaluation of Retinal Nerve Fiber Layer Thickness and Ganglion Cell Complex Progression Rates in Healthy, Ocular Hypertensive, and Glaucoma Eyes With the Avanti RTVue-XR Optical Coherence Tomograph Based on 5-Year Follow-up. J Glaucoma 2016; 25(10):e905-e909. https://doi.org/10.1097/IJG.0000000000000410

12. Swaminathan SS, Jammal AA, Berchuck SI, Medeiros FA. Rapid initial OCT RNFL thinning is predictive of faster visual field loss during extended follow-up in glaucoma. Am J Ophthalmol 2021; 229:100-107. https://doi.org/10.1016/j.ajo.2021.03.019

13. Pomerantsev A, Rodionova O. A new method for soft probabilistic discrimination of ranked classes. Journal of Mathematical Analysis and Applications 2025; 512(3):456-470. https://doi.org/10.2139/ssrn.5128628

14. Kucheryavskiy S, Rodionova O, Pomerantsev A. Procrustes crossvalidation of multivariate regression models. Anal Chim Acta 2023; 1255:341096. https://doi.org/10.1016/j.aca.2023.341096

15. Shoji T, Zangwill LM, Akagi T, Saunders LJ, Yarmohammadi A, Manalastas PIC, et al. Progressive Macula Vessel Density Loss in Primary Open-Angle Glaucoma: A Longitudinal Study. Am J Ophthalmol 2017; 182:107-117. https://doi.org/10.1016/j.ajo.2017.07.011

16. Курышева Н.И. Роль нарушений ретинальной микроциркуляции в прогрессировании глаукомной оптиконейропатии. Вестник офтальмологии 2020; 136(4):57-65.

17. Dixit A, Yohannan J, Boland MV. Assessing Glaucoma Progression Using Machine Learning Trained on Longitudinal Visual Field and Clinical Data. Ophthalmology 2021; 128(7):1016-1026. https://doi.org/10.1016/j.ophtha.2020.12.020

18. Li F, Su Y, Lin F, Li Z, Song Y, Nie S, et al. A deep-learning system predicts glaucoma incidence and progression using retinal photographs. J Clin Invest 2022; 132(11):e157968. https://doi.org/10.1172/JCI157968

19. Hussain S, Chua J, Wong D, Lo J, Kadziauskiene A, Asoklis R, et al. Predicting glaucoma progression using deep learning framework guided by generative algorithm. Sci Rep 2023; 13(1):19960. https://doi.org/10.1038/s41598-023-46253-2

20. Курышева Н.И., Лепешкина Л.В., Шаталова Е.О. Сравнительное исследование факторов, ассоциированных с прогрессированием первичной открытоугольной и закрытоугольной глаукомы. Вестник офтальмологии 2020; 136(2):64-72. https://doi.org/10.17116/oftalma202013602164

21. Jammal AA, Berchuck SI, Thompson AC, Costa VP, Medeiros FA. The effect of age on increasing susceptibility to retinal nerve fiber layer loss in glaucoma. Invest Ophthalmol Vis Sci 2020; 61(13):8. https://doi.org/10.1167/iovs.61.13.8

22. Anraku A, Enomoto N, Takeyama A, et al. Baseline thickness of macular ganglion cell complex predicts progression of visual field loss. Graefes Arch Clin Exp Ophthalmol 2014; 252(1):109-115. https://doi.org/10.1007/s00417-013-2527-9

23. Holló G. Optical coherence tomography angiography in glaucoma: analysis of the vessel density-visual field sensitivity relationship. Ann Transl Med 2020; 8(18):1203. https://doi.org/10.21037/atm.2020.03.187

24. Moghimi S, Zangwill LM, Penteado RC, Hasenstab K, Ghahari E, Hou H, et al. Macular and optic nerve head vessel density and progressive retinal nerve fiber layer loss in glaucoma. Ophthalmology 2018; 125(11):1720-1728. https://doi.org/10.1016/j.ophtha.2018.05.006

25. Moghimi S, Bowd C, Zangwill LM, Penteado RC, Hasenstab K, Hou H, et al. Measurement Floors and Dynamic Ranges of OCT and OCT Angiography in Glaucoma. Ophthalmology 2019; 126(7):980-988. https://doi.org/10.1016/j.ophtha.2019.03.003

26. Shen R, Chan LKY, Yip ACW, Chan PP. Applications of optical coherence tomography angiography in glaucoma: current status and future directions. Front Med (Lausanne) 2024; 11:1428850. https://doi.org/10.3389/fmed.2024.1428850

27. Onishi AC, Treister AD, Nesper PL, Fawzi AA, Anchala AR. Parafoveal vessel changes in primary open-angle glaucoma and normal-tension glaucoma using optical coherence tomography angiography. Clin Ophthalmol 2019; 13:1935-1945. https://doi.org/10.2147/OPTH.S206288

28. Курышева Н.И., Пономарева С.И., Маслова Е.В., Ким В.Е., Родионова О.Е., Померанцев А.Л. Прогностическое моделирование скорости прогрессирования глаукомной оптической нейропатии у пациентов с впервые выявленной первичной открытоугольной глаукомой в начальной стадии. Вестник офтальмологии 2025; 141(2):22-29. https://doi.org/10.17116/oftalma202514102122