Dự báo tiến triển AMD trung gian: Vai trò then chốt của tính toàn vẹn vùng ellipsoid zone và các biomarker OCT định lượng

Điểm nổi bật

• Các chỉ số toàn vẹn của vùng ellipsoid zone (EZ) và số lượng hyperreflective foci (HRF) là những yếu tố dự báo mạnh mẽ ngay từ thời điểm ban đầu đối với tiến triển từ AMD trung gian sang AMD teo tiến triển trong 2 năm.
• Phân tích OCT định lượng được tăng cường bằng machine learning giúp phát hiện hiệu quả các thay đổi cấu trúc võng mạc tinh vi mà hình ảnh thông thường có thể không nhận thấy được.
• Mô hình random forest dự báo, sử dụng nhiều biomarker OCT, đã đạt độ chính xác cao (AUC = 0,85) trong việc tiên lượng tiến triển bệnh.
• Những phát hiện này nhấn mạnh tiềm năng phân tầng nguy cơ sớm, hỗ trợ thiết kế thử nghiệm lâm sàng và các can thiệp điều trị có mục tiêu nhằm làm chậm khởi phát AMD teo.

Bối cảnh nghiên cứu

Thoái hóa điểm vàng do tuổi tác (Age-related Macular Degeneration, AMD) là một trong những nguyên nhân hàng đầu gây mất thị lực không hồi phục ở người lớn tuổi trên toàn cầu. AMD trung gian (intermediate AMD, iAMD) là một giai đoạn then chốt, trong đó đã xuất hiện các thay đổi cấu trúc võng mạc nhưng chưa tiến triển đến teo không hồi phục. Thách thức lâm sàng hiện nay là xác định những bệnh nhân iAMD nào có nguy cơ cao tiến triển nhanh sang AMD teo tiến triển, đặc trưng bởi mất biểu mô sắc tố võng mạc (Retinal Pigment Epithelium, RPE) và teo võng mạc ngoài; những bệnh nhân này có thể hưởng lợi nhiều nhất từ can thiệp sớm. Chụp cắt lớp quang học (Optical Coherence Tomography, OCT) cung cấp hình ảnh độ phân giải cao của các lớp võng mạc, cho phép đánh giá cấu trúc chi tiết. Trong số nhiều đặc điểm OCT, tính toàn vẹn của vùng ellipsoid zone (EZ) — đại diện cho chỗ nối giữa đoạn trong và đoạn ngoài của tế bào cảm thụ ánh sáng — được giả định là phản ánh tình trạng sức khỏe của các tế bào này, tuy nhiên vai trò định lượng của EZ trong dự báo tiến triển teo vẫn chưa được mô tả đầy đủ. Ngoài ra, các biomarker OCT khác như thể tích drusen, hyperreflective foci (HRF), bề dày lớp hạt ngoài, và tín hiệu hypertransmission cũng có thể góp phần vào phân tầng nguy cơ. Nghiên cứu này đáp ứng nhu cầu chưa được thỏa mãn về các biomarker tiên lượng đã được xác thực thông qua phân tích OCT định lượng và được tăng cường bằng machine learning nhằm dự báo tiến triển iAMD trong thời gian 2 năm.

Thiết kế nghiên cứu

Nghiên cứu đoàn hệ hồi cứu này đánh giá 502 mắt được chẩn đoán iAMD, không có bằng chứng teo hay tiết dịch ở thời điểm ban đầu. Người tham gia được chụp OCT miền phổ (spectral-domain OCT) tại thời điểm ban đầu và sau 2 năm theo dõi. Một nền tảng phân tầng đa lớp đã được xác thực, tăng cường bằng machine learning, tự động định lượng nhiều thông số cấu trúc võng mạc, bao gồm bề dày EZ-RPE, mức suy giảm EZ một phần và toàn bộ, thể tích drusen, số lượng HRF, bề dày từ lớp hạt ngoài đến RPE (outer nuclear layer to RPE, ONL-RPE), và tổng mức mất RPE. Các nhà đọc đã được chứng nhận xem xét và hiệu chỉnh các phân đoạn để bảo đảm độ chính xác.

Ngoài ra, các mô hình deep learning hoàn toàn tự động đã tạo ra các chỉ số đặc hiệu: vùng hypertransmission (gợi ý tổn thương RPE) và các vùng “EZ at-risk” (những khu vực có mỏng bất thường EZ-RPE nhưng chưa kèm mất RPE). Một bộ phân loại random forest được xây dựng dựa trên các đặc điểm OCT ban đầu để dự báo tiến triển trong 2 năm sang AMD teo tiến triển — được xác định theo tiêu chuẩn OCT là teo hoàn toàn RPE và teo võng mạc ngoài (complete RPE and outer retinal atrophy, cRORA) với diện tích tổn thương ≥0,05 mm2. Hiệu năng mô hình được đánh giá chặt chẽ bằng xác thực chéo phân tầng 5 lần.

Kết quả chính

Trong 502 mắt được phân tích, những mắt tiến triển sang AMD teo tiến triển sau 2 năm có khác biệt có ý nghĩa so với nhóm không chuyển dạng ngay từ ban đầu. Cụ thể, nhóm chuyển dạng cho thấy:

– Mức suy giảm EZ một phần và toàn bộ lớn hơn, phản ánh tính toàn vẹn của tế bào cảm thụ ánh sáng bị suy giảm.
– Các chỉ số bề dày EZ-RPE và ONL-RPE giảm, cho thấy sự mỏng đi của các lớp võng mạc thiết yếu.
– Thể tích drusen tăng cao, phù hợp với gánh nặng bệnh lý lớn hơn.
– Số lượng HRF tăng, gợi ý sự di chuyển của tế bào RPE hoặc quá trình viêm.
– Diện tích hypertransmission do deep learning xác định lớn hơn và vùng EZ at-risk mở rộng hơn.

Tính có ý nghĩa thống kê nhất quán và mạnh trên tất cả các thông số này (tất cả p < 0,05).

Mô hình random forest dự báo tích hợp toàn bộ các đặc điểm OCT ban đầu đạt diện tích dưới đường cong trung bình (AUC) là 0,85 ± 0,02, thể hiện khả năng phân biệt cao. Phân tích mức độ quan trọng của biến cho thấy các chỉ số toàn vẹn EZ (các thông số suy giảm và bề dày) cùng với số lượng HRF là những yếu tố ảnh hưởng mạnh nhất đến tiến triển teo trong tương lai. Đáng chú ý, mô hình này vượt trội hơn các yếu tố dự báo đơn biến đơn giản và cho thấy giá trị gia tăng của việc kết hợp nhiều biomarker định lượng.

Nhận định chuyên gia

Các phát hiện của Matar và cộng sự làm sáng tỏ vai trò then chốt của tính toàn vẹn vùng ellipsoid zone và hyperreflective foci trong cơ chế bệnh sinh cũng như tiên lượng tiến triển của AMD. Vùng ellipsoid zone, đại diện cho các đoạn tế bào cảm thụ ánh sáng giàu ty thể, đóng vai trò như một chỉ dấu thay thế cho khả năng sống còn của các tế bào này. Sự suy giảm hoặc mất EZ phản ánh trực tiếp tình trạng rối loạn chức năng tế bào cảm thụ ánh sáng và nguy cơ teo sắp xảy ra. HRF, vốn có thể đại diện cho vi thần kinh đệm hoạt hóa hoặc các tế bào RPE bị dịch chuyển, càng nhấn mạnh tình trạng stress và tái cấu trúc đang diễn ra tại võng mạc.

Việc tận dụng machine learning cho phân đoạn đa lớp và định lượng biomarker tự động đã giải quyết được tính biến thiên vốn có, đồng thời tăng độ lặp lại, điều này đặc biệt quan trọng trong thực hành lâm sàng và nghiên cứu. Hơn nữa, việc xây dựng các mô hình dự báo tổng hợp báo hiệu sự chuyển dịch sang đánh giá nguy cơ cá thể hóa, có thể hỗ trợ quyết định lâm sàng về khoảng thời gian theo dõi và lựa chọn bệnh nhân vào thử nghiệm điều trị.

Tuy nhiên, cần lưu ý các hạn chế vốn có của nghiên cứu hồi cứu, bao gồm sai lệch chọn mẫu và thiếu các hiệu chỉnh chuẩn hóa đối với yếu tố toàn thân hoặc nhân khẩu học. Ngoài ra, việc xác thực bên ngoài trên các quần thể đa dạng và bổ sung các chỉ số chức năng như thị lực hoặc kết cục do người bệnh báo cáo sẽ làm tăng tính ứng dụng lâm sàng.

Kết luận

Nghiên cứu này cho thấy các biomarker OCT định lượng, đặc biệt là tính toàn vẹn của vùng ellipsoid zone và hyperreflective foci, có mối liên quan chặt chẽ với tiến triển trong 2 năm từ AMD trung gian sang AMD teo tiến triển. Việc sử dụng các kỹ thuật machine learning tiên tiến cho phép phân tầng nguy cơ chính xác và nhận diện các mắt nguy cơ cao trước khi teo trở nên biểu hiện rõ trên lâm sàng. Những kết quả này có ý nghĩa trực tiếp đối với chăm sóc lâm sàng, giúp phát hiện sớm bệnh nhân cần theo dõi sát hơn hoặc can thiệp dự phòng. Hơn nữa, các biomarker này cung cấp các tiêu chí kết cục giá trị cho việc thiết kế và đánh giá các thử nghiệm lâm sàng trong tương lai nhằm mục tiêu vào tiến triển AMD. Nghiên cứu tiếp theo nên tập trung vào xác thực tiền cứu, tích hợp với các yếu tố nguy cơ toàn thân, và khảo sát các hướng điều trị nhằm bảo tồn sớm tế bào cảm thụ ánh sáng và RPE.

Tài trợ và thử nghiệm lâm sàng

Nghiên cứu không nêu rõ nguồn tài trợ bên ngoài hoặc đăng ký thử nghiệm lâm sàng. Cần có thêm thông tin về tài trợ và tình trạng thử nghiệm để tăng tính minh bạch.

Tài liệu tham khảo

1. Matar K, Delaney A, Indurkar A, et al. Assessment of Ellipsoid Zone Integrity and Other Quantitative OCT Biomarkers for Intermediate AMD Progression to Atrophy. Ophthalmology. 2026 Aug 10. PMID: 42575302.
2. Ferris FL 3rd, Wilkinson CP, Bird A, et al. Clinical classification of age-related macular degeneration. Ophthalmology. 2013 Apr;120(4):844-51.
3. Sadda SR, Keane PA, Ouyang Y, et al. Machine Learning Approaches for the Quantitative Assessment of Retinal Structure Using Optical Coherence Tomography. Ophthalmology. 2020 Jan;127(1):134-150.
4. Fleckenstein M, Fritsche LG, Keilhauer CN, et al. The progression of age-related macular degeneration: Clinical and imaging characteristics. Prog Retin Eye Res. 2021 Mar;82:100896.

Bài viết này nhấn mạnh sự tích hợp các biomarker hình ảnh mới và machine learning để nâng cao dự báo nguy cơ bệnh sớm trong AMD, đây là một bước tiến quan trọng trong chăm sóc nhãn khoa cá thể hóa.