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.