近视患者中感光细胞分布模式与视网膜脱离之间的关联:一项基于人群的研究
《Visual Neuroscience》:Association between photoreceptor patterns and retinal detachment in myopia: a population-based study
【字体:
大
中
小
】
时间:2026年05月02日
来源:Visual Neuroscience 2.3
编辑推荐:
近视与视网膜脱离(RD)有关,这是一种威胁视力的状况。本研究旨在确定特定的近视光感受器(PR)厚度分布是否与RD相关。共有10,328名来自英国生物银行的近视参与者参与了研究,他们接受了基线光学相干断层扫描(OCT)成像。通过OCT测量了外限制膜(ELM)到内外光感受器段(ISO
近视与视网膜脱离(RD)有关,这是一种威胁视力的状况。本研究旨在确定特定的近视光感受器(PR)厚度分布是否与RD相关。共有10,328名来自英国生物银行的近视参与者参与了研究,他们接受了基线光学相干断层扫描(OCT)成像。通过OCT测量了外限制膜(ELM)到内外光感受器段(ISOS)以及ISOS到视网膜色素上皮(RPE)的厚度,以作为内外光感受器段的指标。潜在轮廓分析将参与者分为不同的光感受器厚度分布类型,并使用Cox比例风险模型来估计不同分布类型之间RD的风险比(HR)。研究发现了两种不同的光感受器厚度分布类型:类型2(包括142名高度近视参与者和862名低/中度近视参与者)的ELM–ISOS厚度较大,而ISOS–RPE厚度较小(类型1包括612名高度近视参与者和8,712名低/中度近视参与者)。在调整了所有协变量(包括人口统计因素[年龄、性别和种族]、社会经济因素[教育水平和Townsend贫困指数]、系统因素[体重指数、高血压和糖尿病]、生活方式因素[体力活动、睡眠时间、吸烟状况和饮酒状况]以及眼部因素[眼内压和平均球镜度数])后,类型2与RD风险显著增加有关(HR = 1.79;95%置信区间[CI] = 1.07–2.99;p = 0.027)。这些发现表明,光感受器厚度模式可能成为评估近视患者RD风险的新指标。
引言
预计从2000年到2050年,全球近视的患病率将从22.9%增加到49.8%,而高度近视的患病率预计将从2.7%上升到9.8%[1]。这一趋势可能归因于户外活动时间的减少和近距离工作活动的增加[2]。近视与严重的眼部并发症相关,其中最严重的是视网膜脱离(RD),这是一种严重且常见的威胁视力的紧急情况[3–5]。RD的特点是神经感觉视网膜与下面的视网膜色素上皮(RPE)发生病理分离。RD的年发病率为每10万人中有6.3至17.9例,患病率约为1%[6]。光感受器(PR)厚度的变化可能表明PR的结构脆弱性[7,8]。尽管RD最常见于视网膜周边区域,但与近视相关的视网膜拉伸和脉络膜视网膜变性通常是影响中央和周边视网膜结构的弥漫性过程。因此,黄斑区光感受器厚度模式的变化可能反映了使近视眼更容易发生RD的视网膜结构易感性。然而,PR厚度模式与近视患者RD易感性之间的关系尚未得到充分研究,需要进一步明确哪些特定的PR特征需要更密切的监测或早期干预。在这项研究中,我们利用英国生物银行的数据,探讨了特定的PR厚度分布是否与近视患者更高的RD纵向风险相关。我们应用了潜在轮廓分析(LPA)这种探索性、以个体为中心的方法,根据PR厚度分布将近视参与者分类到不同的潜在组别中[9]。
材料与方法
**研究样本**
英国生物银行(www.ukbiobank.ac.uk)是一项大规模的前瞻性队列研究。招募工作在英格兰、苏格兰和威尔士的评估中心进行。数据收集涵盖了参与者的详细人口统计背景、日常习惯、健康状况和生物样本。本研究使用了英国生物银行资源(申请编号95829),并获得了西北-海多克研究伦理委员会(参考编号21/NW/0157)的伦理批准,研究符合《赫尔辛基宣言》中规定的原则。
**近视数据**
在英国生物银行的研究中,使用Tomey RC 5,000设备(Tomey Corp., 名古屋,日本)评估了屈光不正。根据记录的错误代码,被认为不可靠的屈光测量结果被排除在分析之外。此外,有眼部手术史(如白内障手术、屈光激光眼科手术、青光眼或高眼内压手术或激光治疗,或角膜移植手术)的个体也被排除在分析之外。平均球镜度数(MSE)屈光不正通过公式“球镜度数 + (0.5 × 柱镜度数)”计算得出。MSE为-0.75 D或更低的个体被定义为近视患者,用于后续分析[10]。
**光学相干断层扫描数据**
在英国生物银行的研究中,一部分参与者在初次检查时接受了Topcon 3D OCT-1000 Mk2(Topcon Corp., 东京,日本)进行的视网膜光学相干断层扫描[11]。作为质量控制程序,我们排除了图像质量得分(信号强度)低于45的扫描结果[12,13]。此外,我们还使用了一些质量指标来识别和排除质量不足的扫描,包括内限制膜(ILM)指标、有效性计数、最小运动相关性和最大运动差异以及最大运动因子[12,13]。ILM测量评估了整个扫描过程中ILM边界的强度,有助于检测眨眼、信号显著丢失区域和分割问题。有效性计数用于识别OCT图像z轴维度上有明显剪切的扫描。运动指标分析了神经纤维层和整个视网膜的厚度,用于计算连续B扫描之间的皮尔逊相关性和绝对差异。每个扫描中最低的相关性和最大的绝对差异被用来生成分数,以揭示潜在问题,如眨眼和眼球运动[12,13]。然后我们应用了英国生物银行眼科视觉联盟提供的分割和运动相关质量控制指标,使用他们推荐的阈值来过滤边界不可靠或运动伪影严重的扫描,包括ILM指标(阈值:0)、有效性计数指标(阈值:744)、最小运动相关性(阈值:0.63)、最大运动差异(阈值:3.6)和最大运动因子(阈值:1.0)[14]。在排除了OCT质量不足的参与者后,进行了PR参数的分析,包括测量了外限制膜(ELM)到内外光感受器段(ISOS)以及ISOS到RPE的厚度,覆盖中央、内侧和外侧子区域[7]。中央、内侧和外侧子区域的空间定义遵循英国生物银行OCT数据集中使用的早期糖尿病视网膜病变研究(ETDRS)网格。具体来说,中央子区域以黄斑为中心,直径为1毫米;内侧子区域覆盖从1毫米到3毫米的环状区域;外侧子区域覆盖从3毫米到6毫米的环状区域[7]。ELM–ISOS和ISOS–RPE的测量分别代表内外光感受器段[7,15]。为了确保潜在轮廓分析(LPA)中的可比性,所有变量都进行了标准化。
**潜在轮廓分析**
LPA用于探索近视患者中PR的潜在分布。LPA模型同时考虑了多个黄斑区域的PR厚度测量,包括中央、内侧和外侧ETDRS子区域的ELM–ISOS和ISOS–RPE厚度。因此,识别出的分布代表了这些区域中不同的多变量PR厚度模式。使用了四种不同的模型来估计这些分布。模型A假设方差相等并将协方差设为零,这种假设非常严格。在这种框架下,假设所有分布的变量方差保持一致,且不计算变量之间的相互关系。模型B允许方差变化,同时保持协方差为零,比模型A更具灵活性,因为它允许不同分布之间的方差差异。模型C假设方差和协方差都相等,整合了额外的信息,可能有助于更好地理解这些分布,并提供更详细的数据解释。最后,模型D同时考虑了方差和协方差的变化,是最复杂的模型,允许更全面地检查定义这些分布的变量之间的关系[16]。为了评估最佳分布数量(最大设置为五个,以确保每个分布有足够的样本量)和最佳模型,我们比较了赤池信息量准则(AIC)和贝叶斯信息量准则(BIC),较低的值表示更好的拟合。AIC计算为负2倍的对数似然值,并根据参数数量进行了调整;BIC也是负2倍的对数似然值,但包括了基于参数数量与样本量关系的惩罚[17]。熵被用作分类准确性的指标,熵值大于0.80被认为是可靠的分布分配[18]。因此,模型选择限于具有足够熵的解决方案。在这些符合条件的模型中,最终模型主要由AIC和BIC决定。
**RD发病率的定义和确定**
参考之前关于英国生物银行中近视和RD的研究[5],使用以下标准来识别RD病例:国际疾病分类(第10版)(ICD-10)诊断代码H33和ICD-9诊断代码361。基线时患有RD的参与者被排除在外。随访期从参与者完成基线评估开始,直到首次发生RD、死亡或数据审查为止。
**协变量**
在研究近视PR厚度分布与RD之间的关联时,考虑了以下协变量:人口统计因素(年龄、性别和种族)、社会经济因素(教育水平和Townsend贫困指数[TDI])、系统因素(体重指数[BMI],分为四类:体重过轻、正常体重、超重和肥胖[19];高血压[HBP];糖尿病)、生活方式因素(理想体力活动[是/否]、睡眠时间、吸烟状况[从未、曾经或当前]、饮酒状况[从未、曾经或当前]以及眼部因素(眼内压[IOP]和MSE)。TDI是英国人群中公认的社会经济地位指标,其中较高的分数表示较低的社会经济地位[20]。体力活动使用国际体力活动问卷进行测量,理想体力活动定义为每周进行150分钟的中等强度运动、75分钟的高强度运动,或两者结合总计150分钟[21]。角膜补偿后的IOP也被作为协变量,通过Ocular Response Analyzer(Reichert, Buffalo, New York, USA)进行评估[22]。
**统计分析**
在选择最佳模型和分布后,我们分析了不同分布下的PR厚度和协变量分布。通过Kolmogorov–Smirnov检验判断为正态分布的变量以均值±标准差的形式报告,并使用t检验比较两个分布;对于三个或更多分布,则使用单因素方差分析。非正态分布的变量以中位数(四分位数范围,IQR)表示,并使用Wilcoxon秩和检验比较两个分布;对于三个或更多分布,则使用Kruskal–Wallis检验。分类变量以数字(百分比)表示,并使用χ2检验进行比较。为了研究PR厚度分布与RD之间的关联,我们使用了Cox比例风险回归模型。构建了三个模型:模型1未经调整;模型2调整了年龄、性别和种族;模型3进一步调整了所有协变量,包括年龄、性别、种族、教育水平、TDI、BMI、HBP、糖尿病、体力活动、睡眠时间、吸烟状况、饮酒状况、IOP和MSE。模型3中的多重共线性通过广义方差膨胀因子(GVIFs)进行评估。对于具有多个自由度的变量,我们报告了GVIF1/(2 × Df)作为标准化的度量,以便在不同预测因子之间进行比较。我们进一步基于年龄(中年人/老年人,以60岁为分界线[23])、性别(男性/女性)、种族(白人/非白人)、理想体力活动(是/否)、睡眠时间(短/长,以参与者的中位数水平为分界线)、IOP(低/高,以参与者的中位数水平为分界线)和MSE(低/高,以参与者的中位数水平为分界线)进行了亚组分析。通过结合PR厚度分布与分层变量之间的交互项来评估交互效应。交互效应的p值< 0.05被认为具有统计学显著性。数据分析使用R 4.4.0(R Foundation, Vienna, Austria)进行。所有显著性检验均为双侧检验,p值< 0.05被认为具有统计学意义。
**结果**
在各种模型和分类策略中,有10个模型表现出令人满意的分类性能(熵值> 0.8)。在这些模型中,具有两个潜变量的D模型被认为是最合适的选择,因为它具有最低的BIC和AIC值(表1)。表1显示了PR厚度的LPA模型拟合指数。模型、潜变量、AIC、BIC、熵以及样本比例(最小类和最大类)的具体数值如下:
| 模型 | AIC | BIC | Entropy | 最小类样本比例 | 最大类样本比例 |
|-------------|-----------|-----------|---------|------------|
| A2 | 156,930 | 157,067 | 1.000 | 0.02 |
| A3 | 147,606 | 147,795 | 0.860 | 0.02 |
| A4 | 143,841 | 144,080 | 0.830 | 0.02 |
| A5 | 141,507 | 141,796 | 0.840 | 0.02 |
| B2 | 151,501 | 151,682 | 0.950 | 0.07 |
| B3 | 138,565 | 138,840 | 0.880 | 0.07 |
| B4 | 132,870 | 133,239 | 0.860 | 0.06 |
| B5 | 130,586 | 131,050 | 0.830 | 0.06 |
| C2 | 122,149 | 122,395 | 1.000 | 0.03 |
| C3 | 123,259 | 123,556 | 0.410 | 0.04 |
| C4 | 119,228 | 119,576 | 0.520 | 0.00 |
| C5 | 117,364 | 117,762 | 0.620 | 0.02 |
| D2 | 112,026 | 112,424 | 0.910 | 0.10 |
| D3 | 109,411 | 110,012 | 0.740 | 0.09 |
| D4 | 107,692 | 108,496 | 0.750 | 0.07 |
| D5 | 106,719 | 107,725 | 0.840 | 0.02 |
AIC(Aikake信息准则)和BIC(贝叶斯信息准则)用于评估模型拟合优度。
在近视患者中,随后识别出两个潜在的PR厚度模型。与模型1的参与者(N = 9,324)相比,模型2的参与者(N = 1,004)在中央(Z-score:0.33,IQR:?0.44至1.90)、内部(Z-score:1.13,IQR:0.12–2.27)和外部(Z-score:1.89,IQR:0.88–2.72)子区域的ELM–ISOS厚度相对较厚,而在中央(Z-score:?0.51,IQR:?2.38至0.37)、内部(Z-score:?0.53,IQR:?1.99至0.28)和外部(Z-score:?1.15,IQR:?2.48至0.0)子区域的ISOS–RPE厚度相对较薄(根据Wilcoxon秩和检验,两个模型之间的差异均p < 0.001)(图1)。图1显示了通过LPA得到的不同模型下PR厚度的Z分数分布。(a)参与者之间的Z分数分布;正值表示相对于队列平均值的较厚值;负值表示较薄值。(b)不同模型下PR厚度参数的比较。(c)两个模型下PR厚度的可视化对比,以概念性地总结内外PR段的相对差异(示意图,非按比例绘制)。
在10,328名参与者中,9,324人属于模型1组,1,004人属于模型2组。与模型1组的参与者相比,模型2组的参与者年龄显著较大(模型1组:平均年龄55.00岁,IQR:48.00–61.00岁;模型2组:平均年龄56.00岁,IQR:49.00–62.00岁;p < 0.001),男性比例也更高(模型1组:54.18%;模型2组:54.21%;p < 0.001)。此外,模型2组的参与者高血压(HBP)患病率更高(模型2组:26.89%;模型1组:23.96%;p = 0.043),且平均球镜度(MSE)更低(模型1组:?2.18,IQR:?3.72至?1.29;模型2组:?2.85,IQR:?4.87至?1.72;p < 0.001)。模型1组和模型2组的参与者在种族、教育水平、TDI、BMI、体力活动、睡眠时间、吸烟和饮酒行为、糖尿病以及眼内压(IOP)等方面表现出相似的特征(表2)。
与模型1的参与者相比,模型2的参与者发生视网膜脱离(RD)的风险显著增加。在模型1(未调整)中,风险比(HR)为2.23(95%置信区间[CI]:1.35–3.68,p = 0.002)。调整人口统计因素后(模型2),HR降至2.12(95% CI:1.28–3.50,p = 0.003)。进一步的全方位调整后(模型3),HR为1.79(95% CI:1.07–2.99,p = 0.027),表明模型2的PR厚度与RD风险增加79%(表3)。所有GVIF1/(2 × Df)值接近1(范围:1.004–1.072),表明多重共线性可以忽略不计。
在亚组分析中,根据年龄、性别、种族、体力活动、睡眠时间、IOP和MSE进行分组后,发现以下显著关联:中年人(HR:2.10,95% CI:1.08–4.06,p = 0.028)、男性(HR:2.24,95% CI:1.22–4.10,p = 0.009)、具有理想体力活动水平的人(HR:2.65,95% CI:1.47–4.78,p = 0.001)、睡眠时间较长的人(HR:2.50,95% CI:1.11–5.64,p = 0.027)以及IOP较低的人(HR:2.66,95% CI:1.33–5.35,p = 0.006)的RD风险增加。然而,这些关联在没有显著交互作用的情况下观察到(交互作用的p值 > 0.05),表明PR厚度与RD之间的关联在各个亚组中都是一致的(表3)。
本研究利用英国生物银行(UK Biobank)的10,328名参与者数据,探讨了近视患者中PR厚度与RD风险之间的关联。研究发现:(1)根据LPA分析,近视患者的PR厚度可以分为两种不同的类型;(2)与模型1的参与者相比,模型2的参与者具有更厚的内PR段和更薄的外PR段;(3)具有模型2 PR厚度的近视患者发生RD的风险增加79%。ISOS–RPE测量值是PR外段(POS)的间接指标,POS由含有视觉色素的多个质膜层组成。在健康的视网膜中,PR通过不断从基部形成新的外段并脱落成熟的外段来维持其长度,这些脱落的外段随后被RPE吞噬[24]。POS与RPE相互连接,对维持视网膜外层的稳态至关重要[25]。病理状态可能导致POS长度缩短,POS变薄可能会在近视引起的视网膜拉伸应力下增加视网膜脱离的风险[26]。近视患者中POS的减少也可能表明PR早期退化。ELM–ISOS测量值也被广泛认为是PR内段(PIS)的代理指标[7]。本研究观察到,具有较高RD风险的PR厚度类型具有更厚的ELM–ISOS测量值。由于线粒体在内段中较为丰富,外层视网膜的异常可能导致线粒体肿胀,从而引起PIS增厚[27]。先前的研究表明,暴露于颗粒物(PM2.5)和NO2与英国生物银行数据中的PIS增厚有关[8]。我们观察到的模式也可能表明,ELM–ISOS较厚的类型与病理性的近视视网膜变化相关。这项研究显著提高了我们对近视患者PR厚度潜在结构及其与RD风险关联的理解。OCT测量的PR厚度不仅提供了关于近视眼组织结构的见解,还作为评估RD风险的潜在生物标志物。该研究的几个优点增强了其有效性:首先,它使用了LPA方法,这是一种以个体为中心的数据驱动方法,通过基于多个变量客观识别和分类潜在亚组,从而在不预先假设组结构的情况下更细致地了解复杂的多变量关系;其次,它利用了大规模的英国生物银行数据;通过纵向队列设计,有效研究了不同的PR厚度类型及其与RD的潜在关联,有助于识别需要重点关注的RD高风险PR厚度类型。
尽管高度近视的眼睛患RD的风险更高,但由于英国生物银行中高度近视病例的样本量相对有限,我们不得不将研究范围扩大到所有近视患者。这种方法虽然提供了更普遍的见解,但可能会稀释高度近视眼中可能更明显的特定模式。此外,我们的分析缺乏一些重要的协变量,如RD的家族史和轴长测量值,而MSE被用作代理协变量,尽管MSE与轴长之间存在强相关性[28]。然而,这可能无法完全解释近视眼的解剖学特征。未测量的轴长可能带来的残余混杂因素也无法完全排除。如果轴长与PR厚度类型和RD风险独立相关,那么不完全的调整可能会影响HR的估计值。尽管如此,我们仍在完全调整的模型中纳入了MSE作为协变量,并按MSE水平进行了亚组分析。PR厚度类型与RD之间的关联在MSE各层中保持方向一致性,表明观察到的关系不太可能仅由屈光度解释。未来的研究应包括直接的轴长测量。
总之,这项研究利用英国生物银行的数据,探讨了近视患者中PR厚度类型与RD风险之间的关联。研究发现:(1)根据LPA分析,近视患者的PR厚度可以分为两种不同的类型;(2)与模型1的参与者相比,模型2的参与者具有更厚的内PR段和更薄的外PR段;(3)具有模型2 PR厚度的近视患者发生RD的风险增加79%。ISOS–RPE测量值是PR外段(POS)的间接指标,POS包含多个含有视觉色素的质膜层。在健康的视网膜中,PR通过不断形成新的外段并脱落成熟的外段来维持其长度,这些脱落的外段随后被RPE吞噬[24]。POS与RPE相互连接,对维持视网膜外层的稳态至关重要[25]。病理条件可能导致POS长度缩短,POS变薄可能会在近视引起的视网膜拉伸应力下增加视网膜脱离的风险[26]。近视患者中POS的减少也可能表明PR早期退化。ELM–ISOS测量值也被广泛认为是PR内段(PIS)的代理指标[7]。本研究观察到,具有较高RD风险的PR厚度类型具有更厚的ELM–ISOS测量值。由于线粒体在内段中较为丰富,外层视网膜的异常可能导致线粒体肿胀,从而引起PIS增厚[27]。先前的研究表明,暴露于颗粒物(PM2.5)和NO2与英国生物银行数据中的PIS增厚有关[8]。我们观察到的模式也可能表明,ELM–ISOS较厚的类型与病理性的近视视网膜变化相关。这项研究显著推进了我们对近视患者PR厚度潜在结构及其与RD风险关联的理解。OCT测量的PR厚度不仅提供了关于近视眼组织结构的见解,还作为评估RD风险的潜在生物标志物。未来的专门针对近视或视网膜脱离(RD)的队列研究,结合多模态成像和分子谱分析,可能会进一步阐明已识别出的结构模式的机制基础。另一个局限性是,在英国生物银行(UK Biobank)中,视网膜脱离的诊断是按照参与者的整体情况进行ICD编码记录的,而不是针对每只眼睛单独记录的。因此,光感受器(PR)模式与视网膜脱离风险之间的关联是在参与者层面进行评估的。这种局限性可能会导致一定程度的暴露分类错误,尽管在之前基于英国生物银行的眼科研究中也采用了类似的方法[5]。此外,不同类型的视网膜脱离可能涉及不同的病理生理机制,因此可能与PR的结构模式表现出不同的关系。然而,该纵向队列中新发视网膜脱离病例的数量相对较少,进一步按亚型分层后,统计功效不足以进行稳定的估计。因此,在本研究中,视网膜脱离被作为一个单一的结果进行分析。未来具有更多视网膜脱离病例数量的研究将能够更详细地探讨亚型之间的关联。此外,这些发现来自一个已知存在“健康志愿者”选择偏倚的英国生物银行队列[29]。
**结论**
总之,本研究利用LPA技术阐明了近视个体中PR厚度的复杂结构变化,并研究了这些变化与视网膜脱离发生之间的关联。我们发现,一种特定的视网膜模式——即内段PR厚度增加而外段PR厚度减少——与视网膜脱离风险升高有关。这些发现不仅为近视视网膜中PR的潜在群体结构提供了新的见解,还为评估视网膜脱离风险提供了潜在的指标。在其他大规模、前瞻性队列中的重复验证对于进一步确立这些发现的可靠性和临床适用性非常重要。
**伦理声明**
本研究遵循《赫尔辛基宣言》进行,研究方案获得了西北多中心研究伦理委员会的批准(参考编号21/NW/0157;日期2021年6月29日)。所有参与研究的受试者均签署了知情同意书。
**作者贡献**
作者对论文的贡献如下:
- 研究构思与设计:Zhuo Y, Zhu Y, Lei L
- 数据收集:Zhuo Y, Chen J
- 结果分析与解释:Chen J, Li Y, Shi Y, Li Z
- 手稿初稿撰写:Chen J, Li Y, Shi Y, Li Z, Xu S, Li Y, Zhu Y
所有作者均审阅了研究结果并批准了最终版本的手稿。
**数据可用性**
支持本研究结果的数据可从英国生物银行(www.ukbiobank.ac.uk)获取。
**致谢**
本研究得到了中国国家自然科学基金(项目编号8217040283、82471074和82171057)、广东省基础与应用基础研究基金(项目编号2024A1515013058)、广州市科技计划(项目编号202206080005)以及中山市重大科技项目(项目编号2022A1007)的支持。本研究使用了英国生物银行的数据(申请编号95829)。
**利益冲突**
作者声明没有利益冲突。