编辑推荐：
为探究原发性开角型青光眼（POAG）患者视网膜神经纤维层（RNFL）快速变薄的预测因素，研究人员利用电子病历（EMR）开展相关研究。结果发现多个系统因素可预测 RNFL 变薄，该研究为青光眼患者综合治疗提供了依据。
青光眼是一种严重的眼部疾病，常悄无声息地损害视神经，导致视野缺损，若不及时治疗，最终可能走向不可逆的失明。一直以来，眼压（Intraocular Pressure，IOP）被视为青光眼进展的关键可调节因素，降低眼压也成为主要治疗手段。然而，令人困惑的是，部分患者即便眼压控制在较低水平，病情仍会发展。除了眼压，年龄增长、血压异常、血管调节紊乱等全身因素也逐渐进入人们的视野，被怀疑与青光眼进展相关。但以往研究多依赖诊断代码，准确性欠佳，也难以客观反映疾病进展情况，无法满足预测建模的需求。
为深入了解青光眼进展的奥秘，来自首尔国立大学医学院眼科、延世大学应用统计学系的研究人员展开了一项意义重大的研究。他们借助医院丰富的青光眼患者电子病历（Electronic Medical Records，EMR）和自 2009 年起建立的光谱域光学相干断层扫描（Spectral - Domain Optical Coherence Tomography，SDOCT）数据库，结合机器学习技术，试图找出能预测原发性开角型青光眼（Primary Open - Angle Glaucoma，POAG）患者视网膜神经纤维层（Retinal Nerve Fiber Layer，RNFL）快速变薄的基线全身特征。这项研究成果发表在《Scientific Reports》上，为青光眼的防治带来了新的思路。
研究人员采用了多种关键技术方法。首先，从电子病历中筛选出 2009 - 2016 年确诊为 POAG 且随访超 5 年、每年进行 SDOCT 测量 RNFL 厚度的患者数据。通过线性回归分析确定每只眼睛 RNFL 厚度的变化率。同时，提取患者青光眼诊断后 6 个月内的全身数据纳入预测模型。研究利用随机森林（Random Forest，RF）方法训练和测试模型，并借助 Shapley 加性解释图（Shapley additive explanation plots，SHAP）解读模型结果。
研究结果如下：
- 数据筛选与样本特征：最初纳入 3686 例患者的 6643 只 POAG 眼，经逐步排除法筛选 18 个解释变量，剔除 4280 只缺失数据眼后，最终 1303 例患者的 2363 只眼纳入研究。纳入患者平均随访 9.6±1.4 年，训练集和测试集分别包含 696 例患者的 1256 只眼和 607 例患者的 1107 只眼。训练集和测试集各变量分布均衡，差异无统计学意义。
- 模型性能：RF 预测模型表现出色，R2值达 0.88，平均绝对误差（Mean Absolute Error，MAE）为 0.205μm / 年；而线性混合效应模型 R2值仅 0.038。这表明 RF 模型在预测 RNFL 变薄速率方面具有更高的准确性和可靠性。
- 重要因素分析：基于 SHAP 值分析，确定了影响 RNFL 变薄速率的关键因素。在全身因素中，较高的天冬氨酸转氨酶（Aspartate Aminotransferase，AST）水平、较低的血糖水平、较低的收缩压（Systolic Blood Pressure，SBP）和较高的高密度脂蛋白（High - Density Lipoprotein，HDL）水平是最重要的四个因素。较高的 AST 值虽位于正常至轻度升高范围，但可能与非酒精性脂肪性肝病（NAFLD）或酒精性肝病（ALD）相关，进而影响眼压，促进青光眼进展。血糖 <100mg/dL 时，RNFL 变薄速率加快，可能与低血糖性神经损伤有关。较低的 SBP（<120mmHg）会增加 RNFL 变薄风险，不过 SBP>120mmHg 时对变薄速率无明显影响，这可能涉及血压、眼压及其他因素的复杂相互作用。HDL 水平 < 70mg/dL 时，与 RNFL 变薄呈负相关，更高水平时关系不规则，其对 RNFL 变薄的影响可能与眼压、抗氧化作用等有关。在眼科因素中，较高的基线 RNFL 厚度和较高的眼压是预测 RNFL 快速变薄的重要因素。
研究结论和讨论部分指出，该研究首次利用机器学习模型揭示了与青光眼 RNFL 结构变薄速率相关的全身变量及其作用。这为青光眼患者的综合治疗提供了有力支持，提示临床医生在关注眼压的同时，应重视患者的全身状况，如 AST、血糖、血压和 HDL 水平等。然而，研究也存在局限性，如回顾性研究设计、单中心研究、无法区分药物和全身疾病对结果的影响、缺乏功能数据等。尽管如此，这项研究仍是青光眼研究领域的重要进展，为后续前瞻性研究奠定了基础，有望推动青光眼防治向精准化方向发展。
