KI‑Modell erkennt rasche Glaukomfortschritte bei PACG‑Patienten

Glaukom, insbesondere die primäre Winkelverschlussform (PACG), ist eine der Hauptursachen für fortschreitende Sehverlust. Die frühzeitige Identifikation von Augen, die schnell fortschreiten, ist entscheidend, um gezielte Therapien einzuleiten. In einer neuen Studie wurde ein innovativer Ansatz entwickelt, der strukturelle Merkmale des Sehnervenkopfes (ONH) mit funktionellen Messungen aus dem Gesichtsfeld (VF) kombiniert, um Patienten in „schnelle“ und „langsame“ Progressoren einzuteilen.

Die Forscher nutzten Daten von 299 PACG‑Patienten, die über mehr als fünf Jahre hinweg mindestens fünf zuverlässige VF‑Tests erhielten. Der Fortschritt wurde anhand des Visual Field Index (VFI) bestimmt: ein jährlicher Rückgang von weniger als –2,0 % gilt als schnell, mehr als –2,0 % als langsam. Für die Analyse wurden OCT‑Bilder AI‑gestützt segmentiert, um 31 ONH‑Parameter zu extrahieren, und das Glaucoma Hemifield Test‑System teilte das Gesichtsfeld in fünf Regionen pro Hemifeld, die mit der RNFL‑Verteilung übereinstimmen.

Die kombinierten strukturellen und funktionellen Daten wurden in mehrere maschinelle Lernmodelle eingespeist. Das Random‑Forest‑Modell erzielte die höchste Genauigkeit mit einem AUC von 0,87. Durch die SHAP‑Analyse wurden sechs Schlüsselfaktoren identifiziert: die untere MRW, die untere und untere‑temporale RNFL‑Dicke, die naso‑temporale LC‑Krümmung, die superior‑nasale VF‑Sensitivität sowie die untere RNFL‑ und GCL+IPL‑Dicke. Modelle, die ausschließlich strukturelle oder ausschließlich funktionelle Merkmale nutzten, erreichten niedrigere AUC‑Werte von 0,82 bzw. 0,78.

Diese Ergebnisse zeigen, dass die Integration von ONH‑Struktur und VF‑Funktion die Vorhersagekraft für den Glaukomfortschritt deutlich verbessert. Der Ansatz bietet eine vielversprechende Grundlage für die frühzeitige Risiko‑Stratifizierung und die Optimierung individueller Behandlungspläne bei PACG‑Patienten.