Клинические и структурные предикторы остроты зрения и фенотипирование возрастной макулярной дегенерации на основе методов искусственного интеллекта

Abstract

Цель. Комплексная оценка клинических и структурных предикторов остроты зрения у пациентов с возрастной макулярной дегенерацией (ВМД), построение прогностической модели риска низкого зрения и выделение подтипов заболевания с использованием методов машинного обучения. Материалы и методы. Ретроспективный анализ данных 463 глаз (278 пациентов) с ВМД. Оценивали демографические, функциональные (максимальная корригированная острота зрения (МКОЗ)) и структурные параметры оптической когерентной томографии. Применялись: критерий Краскела – Уоллиса для сравнения групп, алгоритм случайного леса (Random Forest) для ранжирования предикторов, логистическая регрессия для прогнозирования риска низкого зрения (МКОЗ <0,1) и метод K-средних для кластеризации фенотипов. Результаты. Наибольшую значимость в предсказании МКОЗ имели показали: стадия AREDS (Age-Related Eye Disease Study, 0,164), состояние пигментного эпителия (RPE status; 0,110) и центральная толщина сетчатки (ЦТС foveola; 0,106). Модель логистической регрессии продемонстрировала хорошее качество прогноза низкого зрения (AUC=0,81); ключевыми факторами риска явились увеличение среднего объема сетчатки (ОШ=2,24) и наличие фиброваскулярной отслойки (ОШ=1,98). Кластерный анализ выделил три клинических фенотипа: активная неоваскуляризация (умеренное снижение зрения, высокая частота экссудативных изменений), отечный/фиброзный (наиболее тяжелый, с максимальной толщиной сетчатки и худшими функциональными исходами) и друзный/ранний (относительно сохранное зрение, высокая частота друз). Заключение. Применение методов машинного обучения позволило подтвердить ключевую роль структурной целостности нейросенсорной сетчатки и выделить три клинически значимых фенотипа ВМД. Разработанная прогностическая модель и фенотипирование могут служить основой для персонализации наблюдения и лечения пациентов.

Purpose. To comprehensively assess clinical and structural predictors of visual acuity in patients with age-related macular degeneration (AMD), develop a predictive model for the risk of low vision, and identify disease subtypes using machine learning methods. Materials and methods. A retrospective analysis of data from 463 eyes (278 patients) with AMD was performed. Demographic, functional (best-corrected visual acuity, BCVA), and structural optical coherence tomography parameters were evaluated. The Kruskal – Wallis test was used for group comparisons. The Random Forest algorithm was applied to rank predictor importance, logistic regression to predict the risk of low vision (BCVA <0.1), and K-means clustering to identify phenotypes. Results. The most significant predictors of BCVA were AREDS stage (0.164), RPE status (0.110), and central foveolar retinal thickness (CFRT; 0.106). The logistic regression model showed good predictive performance for low vision (AUC=0.81); key risk factors included increased average retinal volume (OR=2.24) and the presence of fibrovascular detachment (OR=1.98). Cluster analysis revealed three phenotypes: active neovascularization (moderate vision loss, high frequency of exudative changes), edematous/fibrotic (most severe, with maximal retinal thickness and worst functional outcomes), and drusen/early AMD (relatively preserved vision, high drusen frequency). Conclusion. The application of machine learning methods confirmed the critical role of neurosensory retinal structural integrity and identified three clinically relevant AMD phenotypes. The developed predictive model and phenotyping approach can inform personalized monitoring and treatment strategies for AMD patients.