Avaliação da relação entre a espessura da camada de fibras nervosas e variação da pressão intraocular em suspeitos de glaucoma e em pacientes com glaucoma primário de ângulo aberto / Evaluation of the relationship between nerve fiber layer thickness and intraocular pressure variation in glaucoma suspects and in patients with primary open-angle glaucoma

Introdução: Glaucoma é uma neuropatia óptica caracterizada pela perda irreversível das células ganglionares retinianas, sendo a pressão intraocular (Po) o principal fator de risco para a doença. Grandes variações da pressão intraocular durante um determinado período de tempo têm atraído a atenção como um potencial fator de risco para o desenvolvimento e progressão do glaucoma. Objetivo: Avaliar a relação entre a flutuação de 24 horas da pressão intraocular (∆Po) e a espessura da camada de fibras nervosas da retina (CFNR) medida por tomografia de coerência óptica de domínio espectral (TCO-DE). Método: O estudo incluiu 125 olhos de 65 pacientes. Sessenta e três olhos (50,4%) tiveram o diagnóstico de glaucoma primário de ângulo aberto (GPAA) e 62 (49,6%) foram considerados suspeitos de glaucoma (SG). Todos os olhos foram submetidos a imagens usando TCO-DE, juntamente com medição da Po de 24 horas e perimetria computadorizada acromática. Apenas pacientes com ∆Po anormal (>6 mmHg) foram incluídos. Correlação e modelos mistos lineares generalizados foram usados para investigar a relação entre ∆Po e a espessura da CFNR ajustando para potenciais fatores de confusão, como idade, diagnóstico de glaucoma, espessura da córnea, Po média durante 24 horas e gravidade da doença. Resultados: A idade média foi semelhante entre os grupos SG e GPAA (62,2 ± 15,6 vs. 64,6 ± 12,0, P = 0,50), enquanto o desvio médio do campo visual apresentou diferença entre SG e GPAA (0,41 ± 1,33 vs. -3,09 ± 3,23, P <0,001). A Po média também foi semelhante entre os grupos SG e GPAA (15,6 ± 3,47 vs. 15,6 ± 2,83 mmHg, P = 0,90), assim como o pico da Po às 6h (21,7 ± 3,85 vs. 21,3 ± 3,80 mmHg, P = 0,68). Correlações negativas estatisticamente significativas foram encontradas no grupo GPAA entre a Po às 6h e a espessura da CFNR global (rs = 0,543; P < 0,001), quadrantes inferior (rs = -0,540; P < 0,001), superior (rs = -0,405; P = 0,009) e nasal (rs = −0,561; P < 0,001). Correlações negativas também foram encontradas entre ∆Po e a espessura da CFNR global (rs = −0,591; P < 0,001), e todos os demais setores (P < 0,05). No SG a Po às 6h correlacionou-se apenas com a espessura da CFNR no quadrante inferior (rs = −0,307; P = 0,047). Cada 1 mmHg maior na ∆Po foi associado à afilamento de -1,44 µm na espessura global da CFNR (IC 95%: -2,77 a -0,11, P = 0,03). Além disso, cada incremento de 10 anos na idade foi associado à afilamento de -3,56 µm na espessura global da CFNR (IC 95%: -6,06 a -1,05, P = 0,006). O GPAA teve uma afilamento média de -10,91 µm na CFNR global em relação aos SG (IC 95%: -20,21 a -1,62, P = 0,02). A Po média não foi associada à espessura global da CFNR (IC 95%: -1,37 a 0,91, P = 0,69). Conclusão: Maior ∆Po foi associado à menor espessura global da CFNR medida pelo TCO-DE, em pacientes com ∆Po >6 mmHg. Esse achado corrobora um papel potencial da flutuação da Po como fator de risco para perda estrutural no glaucoma.

Introduction: Glaucoma is an optic neuropathy characterized by irreversible loss of retinal ganglion cells, with intraocular pressure (IOP) being the main risk factor for the disease. Large variations in IOP over a period of time have attracted attention as a potential risk factor for the development and progression of glaucoma. Purpose: To evaluate the relationship between 24-hour fluctuation of intraocular pressure (∆IOP) and retinal nerve fiber layer (RNFL) thickness measured by spectraldomain optical coherence tomography (SD-OCT). Material and Methods: The study included 125 eyes of 65 patients. Sixty-three eyes (50.4%) had a diagnosis of primary open angle glaucoma (POAG) and 62 (49.6%) were considered glaucoma suspects (GS). All eyes underwent imaging using SDOCT, along with 24-hour IOP measurement and standard automated perimetry. Only patients with abnormal ∆IOP (>6 mmHg) were included. Correlation and generalized linear mixed models were used to investigate the relationship between ∆IOP and RNFL thickness adjusting for potential confounding factors such as age, glaucoma diagnosis, corneal thickness, mean IOP during 24 hours, and disease severity. Results: Mean age was similar between the SG and POAG groups (62.2 ± 15.6 vs. 64.6 ± 12.0, P = 0.50), while the mean deviation of visual field showed a difference between SG and POAG (0.41 ± 1.33 vs. -3.09 ± 3.23, P < 0.001). The mean Po was also similar between GS and POAG groups (15.6 ± 3.47 vs 15.6 ± 2.83 mmHg, P = 0.90) as was IOP peak at 6 AM (21.7 ± 3.85 vs. 21.3 ± 3.80 mmHg, P = 0.68). Statistically significant negative correlations were found in POAG group between IOP at 6 AM and RNFL thickness in global (rs = −0.543; P < 0.001), inferior (rs = −0.540; P < 0.001), superior (rs = −0.405; P = 0.009), and nasal quadrants (rs = −0.561; P < 0.001). Negative correlations were also found between ∆IOP and RNFL thickness in global (rs = −0.591; P < 0.001), and all other sectors (P < 0.05). In GS IOP at 6 AM correlated only with RNFL thickness in the inferior quadrant (rs = −0.307; P = 0.047). Each 1 mmHg higher in ∆IOP was associated with thinning of -1.44 µm in global RNFL thickness (95% CI: -2.77 to -0.11, P = 0.03). Also, each 10-years increment in age was associated with thinning of -3.56 µm in global RNFL thickness (95% CI: 6.06 to -1.05, P = 0.006). POAG had on average -10.91 µm thinning in global RNFL than glaucoma suspects (95% CI: -20.21 to -1.62, P = 0.02). Mean IOP was not associated with global RNFL thickness (95% CI: -1.37 to 0.91, P = 0.69). Conclusion: Higher ∆IOP was associated with lower global RNFL thickness measured by SD-OCT, in patients with ∆IOP > 6 mmHg. This finding corroborates a potential role for IOP fluctuation as a risk factor for structural loss in glaucoma.

Use of machine learning to predict the risk of early morning intraocular pressure peaks in glaucoma patients and suspects / Uso de aprendizado de máquina para predizer o risco de picos de pressão intraocular no início da manhã em pacientes com glaucoma e suspeitos

ABSTRACT Purpose: To use machine learning to predict the risk of intraocular pressure peaks at 6 a.m. in primary open-angle glaucoma patients and suspects. Methods: This cross-sectional observational study included 98 eyes of 98 patients who underwent a 24-hour intraocular pressure curve (including the intraocular pressure measurements at 6 a.m.). The diurnal intraocular pressure curve was defined as a series of three measurements at 8 a.m., 9 a.m., and 11 a.m. from the 24-hour intraocular pressure curve. Two new variables were introduced: slope and concavity. The slope of the curve was calculated as the difference between intraocular pressure measurements at 9 a.m. and 8 a.m. and reflected the intraocular pressure change in the first hour. The concavity of the curve was calculated as the difference between the slopes at 9 a.m. and 8 a.m. and indicated if the curve was bent upward or downward. A classification tree was used to determine a multivariate algorithm from the measurements of the diurnal intraocular pressure curve to predict the risk of elevated intraocular pressure at 6 a.m. Results: Forty-nine (50%) eyes had intraocular pressure measurements at 6 a.m. >21 mmHg, and the median intraocular pressure peak in these eyes at 6 a.m. was 26 mmHg. The best predictors of intraocular pressure measurements >21 mmHg at 6 a.m. were the intraocular pressure measurements at 8 a.m. and concavity. The proposed model achieved a sensitivity of 100% and a specificity of 86%, resulting in an accuracy of 93%. Conclusions: The machine learning approach was able to predict the risk of intraocular pressure peaks at 6 a.m. with good accuracy. This new approach to the diurnal intraocular pressure curve may become a widely used tool in daily practice and the indication of a 24-hour intraocular pressure curve could be rationalized according to risk stratification.

RESUMO Objetivo: Utilizar aprendizado de máquina para predizer o risco de picos de pressão intraocular às 6 AM em pacientes com glaucoma primário de ângulo aberto e suspeitos. Métodos: Esse estudo observacional transversal incluiu 98 olhos de 98 pacientes submetidos à curva de 24 horas de pressão intraocular (incluindo as medidas às 6 AM). A curva diurna de pressão intraocular foi definida como uma série de três medidas da curva de 24 horas de pressão intraocular às 8 AM, às 9 AM e às 11 AM. Duas novas variáveis foram apresentadas: inclinação e concavidade. A inclinação da curva às 8 AM foi calculada como a diferença entre pressão intraocular às 9 AM e 8 AM e reflete a variação da pressão intraocular na primeira hora. A concavidade da curva foi calculada como a diferença entre as inclinações às 9 AM e às 8 AM e pode ser para cima ou para baixo. Uma árvore de classificação foi usada para determinar um algoritmo multivariado a partir das medidas da curva diurna para prever o risco de pressão intraocular elevada às 6 AM. Resultados: Quarenta e nove (50%) olhos apresentaram pressão intraocular às 6 AM >21 mmHg e a mediana do pico de pressão intraocularPIO foi 26 mmHg. Os melhores preditores de pressão intraocular às 6 AM >21 mmHg foram a pressão intraocular às 8 AM e a concavidade. O modelo proposto apresentou uma sensibilidade de 100% e uma especificidade de 86%, com uma acurácia de 93%. Conclusões: A abordagem de aprendizado de máquina foi capaz de prever o risco de picos de pressão intraocular às 6 AM com uma boa acurácia. Essa nova abordagem para a curva diurna de pressão intraocular pode se tornar uma ferramenta amplamente utilizada na prática clínica e a indicação da curva de 24 horas de pressão intraocular pode ser racionalizada de acordo com a estratificação de risco.