《Ophthalmology Science》：Machine Learning–Based Prediction of Long-Term Intraocular Pressure Fluctuations in Open-Angle Glaucoma
编辑推荐：
本研究旨在探讨植入遥测式眼压传感器(open-angle glaucoma, OAG)的开角型青光眼患者长期眼压(intraocular pressure, IOP)波动的可预测性。研究设计为前瞻性、开放标签、单臂、多中心临床试验，共纳入24例患者，其中原发性
本研究旨在探讨植入遥测式眼压传感器(open-angle glaucoma, OAG)的开角型青光眼患者长期眼压(intraocular pressure, IOP)波动的可预测性。研究设计为前瞻性、开放标签、单臂、多中心临床试验，共纳入24例患者，其中原发性开角型青光眼20例，假性剥脱性青光眼2例，色素性青光眼及葡萄膜炎性青光眼各1例，平均年龄65.2±10.2岁。研究人员将术后前90天数据排除，采用滚动参考框架生成短期(7、14、28天)与长期(273、364天)眼压波动配对观测值，通过皮尔逊(Pearson)相关系数评估二者关系，并应用多元回归模型及监督式机器学习算法——随机森林分类器(Random Forest Classifier, RFC)预测长期波动。结果显示短期波动与长期波动相关性弱(r≤0.33)，回归模型解释率最高仅15.2%。在1224个RFC模型中，有47个模型的受试者工作特征曲线下面积(AUROC)>0.8且灵敏度与特异度均>0.7，涵盖364天预测27个、273天预测20个。最终选定每个阈值–预测期组合中F1值最高的配置，其AUROC为0.81–0.86，交叉验证AUROC为0.78–0.83，准确率0.72–0.81，灵敏度0.72–0.78，特异度0.70–0.82，精确度0.32–0.44，F1值0.44–0.56。所有模型均包含7、14、28天波动、昼夜平均眼压、眼脉动振幅(ocular pulse amplitude, OPA)、年龄、体重指数(body mass index, BMI)及中央角膜厚度(central corneal thickness, CCT)作为预测因子，其中昼夜平均眼压贡献最大(38–55%)。研究表明结合基线临床人口学数据与眼压相关特征可有效预测长期IOP波动，有望减少临床随访负担并支持个体化诊疗。
论文解读
研究背景
青光眼是全球导致不可逆盲的主要病因之一，而升高的眼压(IOP)是其唯一可干预的主要危险因素。尽管IOP波动在疾病进展中的作用仍在争论，但已有多项研究提示其与视功能恶化相关。IOP波动的时间尺度从瞬时到昼夜不等，传统测量手段如Goldmann压平眼压计(Goldmann applanation tonometry, GAT)虽可评估昼夜变化，但无法持续监测长期波动。近年来，植入式遥测IOP传感器的发展使得长期连续监测成为可能，但在常规临床中的应用仍受限于监管审批、费用及安全性顾虑。因此，研究人员希望探索是否可以通过短期IOP波动预测长期波动，并结合临床与人口学数据进行建模，以提高预测效能。
研究方法
本研究基于前瞻性、多中心、单臂的首次人体试验ARGOS-SC01及其两年随访数据，研究对象为接受非穿透性青光眼手术(NPGS)并植入EyeMate-SC传感器的24例青光眼患者。数据预处理中，研究人员对时间序列进行分段，剔除因药物调整或手术干预引起的不连续区间，并计算昼夜平均IOP及短期波动特征。长期波动定义为273天及364天的IOP变化，短期波动定义为7、14、28天的变化。研究采用滚动参考框架生成配对数据，并以+2.0、+3.0、+4.0 mmHg为阈值进行二元分类标注。特征集包括IOP相关指标（昼夜平均IOP、眼脉动振幅OPA、短期波动）、人口学变量（年龄、BMI、CCT、性别）及手术类型等。统计分析使用皮尔逊相关及多元回归，机器学习采用随机森林分类器(RFC)，并通过五折交叉验证防止数据泄露。
研究结果
短期IOP波动对长期波动的预测能力有限
皮尔逊相关分析显示短期与长期波动的相关性弱(r≤0.33)，多元回归模型仅能解释最多15.2%的长期波动变异。
随机森林分类器可稳定预测长期波动
在1224个RFC模型中，有47个达到AUROC>0.8且灵敏度与特异度>0.7的标准，涵盖不同阈值与预测期。最终选取F1值最高的五个配置，其AUROC为0.81–0.86，交叉验证AUROC为0.78–0.83，准确率0.72–0.81，灵敏度0.72–0.78，特异度0.70–0.82，精确度0.32–0.44，F1值0.44–0.56。所有模型均包含短期波动、昼夜平均IOP、OPA、年龄、BMI、CCT，其中昼夜平均IOP贡献最大(38–55%)。
讨论与结论
研究结果表明，仅靠短期波动难以有效预测长期IOP变化，而将短期IOP特征与临床人口学数据结合后，RFC模型可实现稳定预测。该结果在青光眼管理中具有重要意义，因为长期IOP波动的早期识别有助于在视功能损伤出现前进行干预。遥测IOP传感器可提供高分辨率、连续的IOP数据，减少传统住院监测的负担，并支持远程医疗与个体化治疗。研究局限包括样本量较小、患者群体以术后低波动为主、测量时间依赖患者操作等。未来需在更大规模、波动范围更广的人群中验证此预测模型，并优化特征选择与数据采集策略。
结论翻译
长期IOP波动可通过基线临床与人口学变量，以及包括昼夜平均IOP、眼脉动振幅和短期波动在内的IOP相关特征可靠预测。本研究的主要限制在于患者样本量较小，结果有待在大样本队列中验证。若获证实，该方法有望改善青光眼管理，通过遥测设备与远程IOP监测，降低时间与医疗成本，缓解青光眼照护供需失衡。
