Sistemik Hastalıklarda Retinal Biyobelirteçler-1
Okuma:365
Oküler biyobelirteçler, bir hastalık durumunu veya müdahale tepkisini gösteren moleküler, histolojik, radyografik ve fizyolojik özellikleri içerir. Oftalmolojide biyobelirteç terimi, YBMD gibi retinal patolojiler bağlamında sıklıkla OCT veya OCT anjiyografi (OCTA) bulgularını ifade eder. OCT, klinik muayene ve fundus fotoğrafçılığındaki retina biyobelirteçlerinin de sistemik hastalıkta önemli etkileri olabilir.
Pek çok sistemik durum gözü etkilediğinden, sistemik hastalığın durumu, riski ve yanıtı hakkında bilgi edinmek için fundus fotoğrafçılığını ve gelişmiş oftalmik görüntülemeyi kullanabiliriz. Kişiselleştirilmiş tıp ve gelişmiş prognoz çağında, retina görüntülemeyi kullanarak yeni biyobelirteçler geliştirmek için yapay zekadan yararlanılmaktadır. Derin öğrenme algoritmaları sayesinde bu programlar, belirginlik (saliency) haritalaması yoluyla ilgili özellikleri tespit edebilir.
Sistemik hastalık tanısı, prognozu, tedavisi ve takibi için kritik öneme sahip güncellenmiş retina biyobelirteçleri şunlardır.
1- Kardiyak Risk
Kardiyovasküler hastalık (KVH) riski geleneksel olarak Framingham risk skoru ve yaş, kan basıncı ve kolesterol düzeyi gibi çeşitli kriterleri dikkate alan sistematik koroner risk değerlendirmesi (SCORE) gibi risk hesaplayıcıları kullanılarak tahmin edilmektedir. Bu risk faktörlerinin birçoğu, KVH'nin kendisi ile birlikte, retinal arteriyoler daralma, kanama ve pamuksu lekeler (cotton-wool spots) ile ilişkilidir. Poplin ve arkadaşları, yalnızca retina görüntülerini kullanarak majör olumsuz kardiyak olay riskini tahmin etmiş ve SCORE ile benzer doğruluk oranı bildirmiştir.
Koroner arter kalsiyum (CAC) skoru, kardiyak BT ile ölçülen aterosklerozun klinik öncesi bir belirtecidir. Rim ve arkadaşları, CAC varlığının olasılığını tahmin etmek için fundus fotoğrafını analiz eden bir derin öğrenme algoritması modeli geliştirdi. Model, CT ile elde edilen puanla karşılaştırılabilir bir puan üretti ve incelenen herhangi bir bireysel kardiyovasküler risk faktörüyle karşılaştırıldığında üç test setinde CAC varlığını daha iyi tahmin etti; bunların en büyüğü yaş ve ardından glikoz seviyesiydi.
2- Hipertansiyon
Hipertansif retinopati, arteriyoler daralma, arteriyovenöz geçiş, eksüdalar, kanamalar ve en şiddetli papilödem ile kendini gösterir. KVH ve felç riski gibi hipertansif uç organ hasarını tahmin etmek için retina değişiklikleri kullanılmıştır. Derin öğrenme algoritmaları kullanılarak hipertansiyon, yalnızca retina fundus fotoğrafları kullanılarak tespit edilebilir.
Farklı retina katmanlarının damar yapısında meydana gelen değişiklikler OCTA'da bulunabilir. Örneğin, hipertansiyonu olmayan hastalarla karşılaştırıldığında hipertansiyonu olan hastalarda foveal avasküler bölge genişlemiştir. Raporlar tutarsız olmasına rağmen yüzeysel ve derin kapiller pleksuslarda da damar yoğunluğunda azalma olabilir. Son olarak kontrolsüz hipertansiyonu olan hastalarda koryokapillaristeki akım bozuklukları tanımlanmıştır.
Yeni uyarlanabilir optik görüntüleme alanı, arteriyollerin iç ve dış çapı dahil olmak üzere mikroskobik retinal değişikliklerin belgelenmesine olanak tanır. Hipertansiyonlu hastalarda, daha küçük bir iç çap ve daha kalın bir damar duvarı var gibi görünmektedir, bu da daha büyük bir duvar-lümen oranına yol açmaktadır. Bu ölçüm, hastalar arasında karşılaştırma yapmak ve ilerlemeyi izlemek için yararlı olabilecek mutlak ölçümlere bağlı değildir.
[Kaynaklar: 1- Ranchod TM. Systemic retinal biomarkers. Curr Opin Ophthalmol. 2021;32(5):439-444. 2- Orr SMA, Pereira A, Sodhi SK, Pattathil N, Choudhry N. Retinal Biomarkers of Systemic Disease: Part Two. Retina Today. 2023; November/December: 54-56. 3- Rim TH, Lee G, Kim Y, et al. Prediction of systemic biomarkers from retinal photographs: development and validation of deep-learning algorithms. Lancet Digit Health. 2020;2(10):e526-e536. 4- Poplin R, Varadarajan AV, Blumer K, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng. 2018;2(3):158-164. 5- Rim TH, Lee CJ, Tham YC, et al. Deep-learning-based cardiovascular risk stratification using coronary artery calcium scores predicted from retinal photographs. Lancet Digit Health. 2021;3(5):e306-e316.]
Not: Katkılarından dolayı Dr. Mehmet ÇITIRIK’a teşekkür ederiz.
Web sitesindeki bu bilgiyi, sunu ve yayınlarınızda aşağıdaki şekilde kaynak göstererek kullanabilirsiniz.
(Çıtırık M, Teke MY. Sistemik Hastalıklarda Retinal Biyobelirteçler-1. http://www.retinaclub.com/ Son Güncellenme Tarihi 01/09/2024).