Uudet merkit glaukooman varhaisen etenemisen havaitsemiseksi

Kliinisellä kuvantamisella havaitut muutokset pinnallisen näköhermon pään (ONH) pinnassa ja verkkokalvon hermokuitukerroksen (RNFL) paksuuden menetys ennustavat tulevaa näkökentän menetystä. Syvän ONH:n, glaukoomavaurion todennäköisen alkuperän, kuvantaminen edustaa seuraavaa loogista seuraavaa askelta, mutta se on jäänyt kliinikkojen ulkopuolelle tehokkaan tekniikan puutteen vuoksi.

Uudet edistysaskeleet optisessa koherenssitomografiassa (OCT) tarjoavat nyt jännittävän mahdollisuuden kuroa umpeen kokeellisen apinan glaukooman tutkimuksella saadun histomorfometrisen tiedon ja kliinisen glaukooman kuvantamisen välillä.

On olemassa vakuuttavaa näyttöä siitä, että vakavat ONH- ja verkkokalvon hemodynaamiset muutokset ovat toiminnallisia indikaattoreita glaukooman etenemisestä. Verenvirtauksen tarkka seuranta ONH:ssa on looginen askel, mutta se on väistänyt tutkijoita useista syistä, mukaan lukien erittäin heijastava ONH-kudos, joka estää vaihtelevasti signaalin tunkeutumista, mikä tekee verkkokalvon ja posteriorisen ciliaarisen vaikutuksen monimutkaisesta luonteesta ONH-virtaukseen vaikeasti erotettavissa. Vaikka glaukooman vauriot ovat peräisin ONH:sta, verkkokalvon gangliosolujen (RGC) aksonit voivat osoittaa varhaisimpia toiminnallisia muutoksia, koska niillä on korkea metabolinen tarve ja alttius vaurioille. Siksi verenvirtauksen seuranta RNFL:ssä, joka on erittäin segmentaalinen ja ratkaistavissa, voisi olla parempi ja herkempi lähestymistapa kuin ONH:ssa. Makula sisältää lähes 50 % koko RGC-populaatiosta; samoin verenvirtauksen seuranta makulan sisäisessä verisuonipunoksessa, joka vastaa gangliosolukerrosta (GCL), on todennäköisesti erittäin informatiivista glaukooman etenemisen kannalta. OCT-pohjainen angiografia (OCTA), joka kartoittaa verisuonten tiheyttä verkkokalvon eri verisuonissa verrattomalla aksiaalisella erottelukyvyllä, antaa meille lopulta mahdollisuuden kvantifioida erittäin paikallisia verenkiertoon liittyviä parametreja ja tunnistaa potilaat, joilla on korkeampi etenemisriski. Nykyinen etenemisen havaitsemisen data-analyysi, joka perustuu potilaiden välisiin tai populaatioihin perustuviin vaihtelumalleihin, on tehotonta, mikä johtaa vääriin positiivisiin ja vääriin negatiivisiin tuloksiin. Innovatiiviset data-analyysitekniikat, jotka rakentavat tarkkoja malleja koehenkilön sisäisestä vaihtelusta, lisäävät kumulatiivista arvoa uusille kuvantamismarkkereille etenemistä varten.