Nya markörer för att upptäcka tidig progression av glaukom

Förändringar i den ytliga optiska nervhuvudets yta (ONH) och förlust av tjockleken på näthinnans nervfiberskikt (RNFL) som detekteras med klinisk avbildning förutsäger framtida synfältsförlust. Avbildning av den djupa ONH, det troliga ursprunget till glaukomskada, representerar nästa logiska nästa steg, men har undgått läkare på grund av bristen på kapabel teknologi.

Nya framsteg inom optisk koherenstomografi (OCT)-avbildning erbjuder nu en spännande möjlighet att överbrygga gapet mellan den histomorfometriska kunskapen om djupa ONH-förändringar som erhållits med forskning inom experimentell apglaukom och avbildning vid klinisk glaukom.

Det finns övertygande bevis för att grova ONH och retinala hemodynamiska förändringar är funktionella indikatorer på glaukomprogression. Noggrann spårning av blodflödet i ONH är ett logiskt steg, men har undvikit forskare av flera anledningar, inklusive den mycket reflekterande ONH-vävnaden som variabelt hämmar signalpenetrering vilket gör det svårt att separera den komplexa karaktären hos retinala och posteriora ciliära bidrag till ONH-flödet. Även om glaukomskada har sitt ursprung i ONH, kan retinala ganglioncell (RGC) axoner visa de tidigaste funktionella förändringarna eftersom de har hög metabolisk efterfrågan och sårbarhet för skador. Därför kan spårning av blodflödet i RNFL, som är mycket segmentellt och lösbart, vara ett bättre och mer känsligt tillvägagångssätt jämfört med det i ONH. Gula fläcken innehåller nästan 50 % av hela RGC-befolkningen; på samma sätt är övervakning av blodflödet i det makulära inre vaskulära plexus som motsvarar gangliecellskiktet (GCL) sannolikt mycket informativt för glaukomprogression. OCT-baserad angiografi (OCTA), som kartlägger kärltäthet i olika kärlbäddar i näthinnan med oöverträffad axiell upplösning, kommer äntligen att tillåta oss att kvantifiera mycket lokaliserade parametrar relaterade till blodflödet och identifiera patienter med högre progressionsrisk. Aktuell dataanalys av progressionsdetektion baserad på inter-subjekt eller populationsbaserade variationsmodeller är ineffektiva, vilket leder till falskt positiva och falskt negativa resultat. Innovativa dataanalystekniker som bygger noggranna modeller av variabilitet inom ämnet kommer att lägga till ett kumulativt värde till de nya avbildningsmarkörerna för progression.