Факторы риска возникновения прогрессирования глазного ишемического синдрома при стенозе сонной артерии

Введение. Глазной ишемический синдром (ГИС) – это состояние, характеризующееся недостаточным кровоснабжением глаза из-за окклюзии или гемодинамически значимого стеноза внутренней сонной артерии.

Цель. Изучить факторы риска возникновения и прогрессирования ГИС.

Материалы и методы. В исследование вошли 91 пациентов, разделенных на две группы: 1-я группа (61 пациент с ГИС) и 2-я, контрольная группа (30 пациентов). Дизайн исследования – одноцентровое ретроспективное кросс-секционное исследование, которое позволило выявить потенциальные факторы риска. Сбор данных осуществлялся с помощью стандартизированной анкеты и медицинских карт, а также дуплексного сканирования брахиоцефальных артерий.

Результаты. Основными факторами риска, повышающими вероятность ГИС, являются стеноз вертебральной сонной артерии (ВСА) более 70% (AUC = 0,968; 95% ДИ: 0,925–1,000, p < 0,001) и окклюзия ВСА (AUC = 0,935; 95% ДИ: 0,864–1,000, p < 0,001). Также выявлены никотиновая зависимость, артериальная гипертензия, дислипидемия, избыточная масса тела и сахарный диабет. Комбинация факторов риска при стенозе ВСА более 70% включает никотиновую зависимость, артериальную гипертензию, дислипидемию и избыточную массу тела с чувствительностью 88,6% и специфичностью 91,4%. При окклюзии ВСА ключевыми факторами являются артериальная гипертензия, избыточная масса тела и сахарный диабет с чувствительностью 81,3% и специфичностью 84,2%.

Обсуждение. В исследовании установлены ключевые факторы, такие как стеноз сонной артерии, артериальная гипертензия и сахарный диабет, которые способствуют развитию ГИС, что согласуется с данными других исследований. Тяжесть стеноза сонной артерии является важным предиктором ишемии глаза, т. к. она напрямую влияет на кровоснабжение глазной артерии.

Выводы. Выявлены ассоциации между факторами риска и ГИС, что может способствовать разработке стратегий профилактики и лечения, а также внедрению искусственного интеллекта для диагностики. Выявлены ключевые факторы риска, такие как артериальная гипертензия, дислипидемия и избыточная масса тела, которые значительно повышают вероятность развития ГИС при стенозе и окклюзии сонных артерий.

1. Wong TY, Klein R, Klein BE, Tielsch JM, Hubbard L, Nieto FJ. Retinal microvascular abnormalities and their relationship with hypertension, cardiovascular disease, and mortality. Surv Ophthalmol. 2001;46(1):59–80. https://doi.org/10.1016/s0039-6257(01)00234-x.

2. Cheung CY, Tay WT, Mitchell P, Wang JJ, Hsu W, Lee ML et al. Quantitative and qualitative retinal microvascular characteristics and blood pressure. J Hypertens. 2011;29(7):1380–1391. https://doi.org/10.1097/HJH.0b013e328347266c.

3. Sabanayagam C, Shankar A, Koh D, Chia KS, Saw SM, Lim SC et al. Retinal microvascular caliber and chronic kidney disease in an Asian population. Am J Epidemiol. 2009;169(5):625–632. https://doi.org/10.1093/aje/kwn367.

4. Zeng Y, Duan J, Ge G, Zhang M. Therapeutic management of ocular ischemia in takayasu’s arteritis: a case-based systematic review. Front Immunol. 2022;12:791278. https://doi.org/10.3389/fimmu.2021.791278.

5. Wang J, Cheng X, Meng Z, Wang Y. Impact of total cerebral small vessel disease score on ophthalmic artery morphologies and hemodynamics. J Transl Med. 2023;21(1):65. https://doi.org/10.1186/s12967-023-03908-y.

6. Yan Y, Zhang X, Yang Y, Han L, Wang H, Hu J. Analysis and curative effect of ocular ischemic diseases caused by carotid artery stenosis. Exp Ther Med. 2013;5(5):1310–1314. https://doi.org/10.3892/etm.2013.979.

7. Iorga ER, Costin D. Vascular emergencies in neuro-ophthalmology. Rom J Ophthalmol. 2020;64(4):323–332. https://doi.org/10.22336/rjo.2020.54.

8. Kim Y, Sung M, Park S. Clinical features of ocular ischemic syndrome and risk factors for neovascular glaucoma. Korean J Ophthalmol. 2017;31(4):343–350. https://doi.org/10.3341/kjo.2016.0067.

9. Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng. 2018;2(3):158–164. https://doi.org/10.1038/s41551-018-0195-0.

10. Vaghefi E, Yang S, Hill S, Humphrey G, Walker N, Squirrell D. Detection of smoking status from retinal images;A Convolutional Neural Network study. Sci Rep. 2019;9:7180. https://doi.org/10.1038/s41598-019-43670-0.

11. Leung H, Wang JJ, Rochtchina E, Wong TY, Klein R, Mitchell P. Impact of current and past blood pressure on retinal arteriolar diameter in an older population. J Hypertens. 2004;22(8):1543–1549. https://doi.org/10.1097/01.hjh.0000125455.28861.3f.

12. Ma F, Su J, Shang Q, Ma J, Zhang T, Wang X et al. Changes in Ocular Hemodynamics after Carotid Artery Angioplasty and Stenting (CAAS) in Patients with Different Severity of Ocular Ischemic Syndrome. Curr Eye Res. 2018;43(2):266–272. https://doi.org/10.1080/02713683.2017.1390771.

13. Nusinovici S, Rim TH, Yu M, Lee G, Tham YC, Cheung N et al. Retinal photograph-based deep learning predicts biological age, and stratifies morbidity and mortality risk. Age Ageing. 2022;51(4):afac065. https://doi.org/10.1093/ageing/afac065.

14. Касымова МС, Махкамова ДК, Хамраева ГХ. Особенности течения глазного ишемического синдрома при хронической цереброваскулярной ишемии. Офтальмология. 2013;10(3):63–67. https://doi.org/10.18008/1816-5095-2013-3-63-67.

15. Hayreh SS, Zimmerman MB. Ocular arterial occlusive disorders and carotid artery disease. Ophthalmol Retina. 2017;1(1):12–18. https://doi.org/10.1016/j.oret.2016.08.003.

16. de Havenon A, Meyer C, McNally JS, Alexander M, Chung L. Subclinical Cerebrovascular Disease: Epidemiology and Treatment. Curr Atheroscler Rep. 2019;21(10):39. https://doi.org/10.1007/s11883-019-0799-1.

17. Terelak-Borys B, Skonieczna K, Grabska-Liberek I. Ocular ischemic syndrome – a systematic review. Medical Science Monitor. 2012;18(8):138–144. https://doi.org/10.12659/msm.883260.

18. Suhail S, Tallarita T, Kanzafarova I, Lau J, Mansukhani S, Olatunji S et al. Ocular Ischemic Syndrome and the Role of Carotid Artery Revascularization. Ann Vasc Surg. 2024;105:165–176. https://doi.org/10.1016/j.avsg.2023.12.098.

19. Park S, Choi N, Yang B, Park K, Lee J, Jung S et al. Risk and risk periods for stroke and acute myocardial infarction in patients with central retinal artery occlusion. Ophthalmology. 2015;122(11):2336–2343.e2. https://doi.org/10.1016/j.ophtha.2015.07.018.

20. Zhang X, Hao X, Wang C, Xie L. Incidence and risk factors for ocular ischemic syndrome in patients with complete internal carotid artery occlusion. 25 October 2021, Preprint (Version 1). https://doi.org/10.21203/rs.3.rs-984715/v1.

21. Huang M, Han N, Wu Y, Gao Z, Zhang Z, Huang S. Identification of risk factors associated with developing ocular ischemia syndrome in patients with carotid artery occlusion. 14 June 2019, Preprint (Version 1). https://doi.org/10.21203/rs.2.10311/v1.

22. Zhang L, Yuan M, An Z, Zhao X, Wu H, Li H et al. Prediction of hypertension, hyperglycemia and dyslipidemia from retinal fundus photographs via deep learning: A cross-sectional study of chronic diseases in central China. PLoS ONE. 2020;15(5):e0233166. https://doi.org/10.1371/journal.pone.0233166.

23. Rim TH, Lee G, Kim Y, Tham YC, Lee CJ, Baik SJ et al. Prediction of systemic biomarkers from retinal photographs: development and validation of deep-learning algorithms. Lancet Digit Health. 2020;2(10):526–536. https://doi.org/10.1016/S2589-7500(20)30216-8.

24. Нероев ВВ, Зайцева ОВ, Петров СЮ, Брагин АА. Применение искусственного интеллекта в офтальмологии: настоящее и будущее. Российский офтальмологический журнал. 2024;17(2):135–141. https://doi.org/10.21516/2072-0076-2024-17-2-135-141.

25. Grassmann F, Mengelkamp J, Brandl C, Harsch S, Zimmermann ME, Linkohr B et al. A Deep Learning Algorithm for Prediction of AgeRelated Eye Disease Study Severity Scale for Age-Related Macular Degeneration from Color Fundus Photography. Ophthalmology. 2018;125(9):1410–1420. https://doi.org/10.1016/j.ophtha.2018.02.037.

26. Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402–2410. https://doi.org/10.1001/jama.2016.17216.

27. Xiangyu Chen, Yanwu Xu, Damon Wing Kee Wong, Tien Yin Wong, Jiang Liu. Glaucoma detection based on deep convolutional neural network. Annu Int Conf IEEE Eng Med Biol Soc. 2015;2015:715–718. https://doi.org/10.1109/EMBC.2015.7318462.

28. Махкамова ДК. Этиопатогенез развития глазного ишемичес-кого синдрома. Вестник офтальмологии. 2017;133(2):120–124. https://doi.org/10.17116/oftalma20171332120-124.

29. Фролов МА, Саховская НА, Фролов АМ, Прямиков АД. Особенности глазного ишемического синдрома при сердечно-сосудистой патологии. Обзор литературы. Офтальмология. 2020;17(2):188–194. https://doi.org/10.18008/1816-5095-2020-2-188-194

30. Kim YD, Noh KJ, Byun SJ, Lee S, Kim T, Sunwoo L et al. Effects of Hypertension, Diabetes, and Smoking on Age and Sex Prediction from Retinal Fundus Images. Sci Rep. 2020;10(1):4623. https://doi.org/10.1038/s41598-020-61519-9.