青光眼的生物力學風險因素眾多，相互關系紛繁復雜。本文綜述了青光眼有關力學作用方面的最新研究狀況。在青光眼生物力學研究的發展前景方面，提出了一個全新的生物力學評估指標——壓力儲備分數（FPR），并提出利用人工智能和機器學習等新技術構建面向臨床應用的青光眼風險評估算法和應用系統。
引用本文： 宋紅芳, 李琦, 王寧利, 王文佳, 龍曉雪, 劉志成. 生物力學因素在青光眼評估中的應用研究綜述. 生物醫學工程學雜志, 2019, 36(2): 315-319. doi: 10.7507/1001-5515.201809058 復制
引言
青光眼是全球第一位不可逆的致盲性眼病。據統計，全球青光眼患者約 6 050 萬，雙眼盲者 840 萬。美國每年因青光眼治療的直接費用達 29 億美元。我國目前尚無關于青光眼治療的花費統計，但由于我國青光眼患者數量為美國的 5～6 倍，如果所有青光眼患者都接受治療，估計我國青光眼治療的直接花費可達 150～180 億美元，而由青光眼造成的間接經濟損失可能更大。更為嚴重的是，隨著人口的老齡化，預計到 2020 年青光眼患者將增至 7 964 萬，其中 1 120 萬人可能因青光眼發展為雙眼盲。因此，對于青光眼的防治研究具有非常重要的社會和經濟意義。
眼壓被認為是與青光眼直接相關的一個重要的生物力學因素。眼壓是指眼球內部的壓力，即眼內容物對眼球壁施加的均衡壓力，因此也稱為眼內壓。眼內容物有房水、晶狀體、玻璃體，其中對眼壓影響最大的是房水。正常眼壓的范圍為 10～21 mm Hg（1.33～2.80 kPa）［（15.5 ± 2.75） mm Hg］，高于此范圍即可認為是高眼壓。高眼壓易導致青光眼是被廣泛接受的共識，這樣的青光眼被稱為高眼壓性青光眼（high tension glaucoma，HTG）。然而，低眼壓（正常眼壓）也會導致青光眼，這樣的青光眼被稱為低眼壓（正常眼壓）性青光眼（normal tension glaucoma，NTG）。眼壓與青光眼的復雜聯系就引起了爭論和新的探索[1-3]。除了眼壓之外，還有許多生物力學因素被認為與青光眼的發病風險有關，因此，吸引了生物力學領域和臨床醫學領域的共同關注。
本文綜述的關注焦點是與青光眼發病風險相關的各種生物力學因素，并從生物力學的角度提出全新的青光眼評估指標，對人工智能和機器學習技術在面向臨床青光眼評估方法方面的應用研究進行了展望。
1 國內外研究現狀
1.1 與青光眼相關的生物力學因素
由于僅僅依據眼壓來評估青光眼的發病風險會導致相互沖突的結果，因此有人把關注點放到了顱內壓（intracranial pressure，ICP）和眼內壓（intraocular pressure，IOP）的相互關系上，提出跨篩板壓力差（trans-lamina cribrosa pressure difference，TLCPD）（TLCPD=IOP－ICP）作為評價指標。當然還有更多的生物力學因素如收縮壓（systolic blood pressure，SBP）、舒張壓（diastolic blood pressure，DBP）、灌注壓（ocular perfusion pressure，OPP）、靜脈壓等也被列入青光眼危險因素當中[1]。以上這些指標均以絕對值的形式被用于青光眼的風險評估。然而，絕對值往往帶有很明顯的個性化差異，也沒有考慮到壓力基線高低對壓差大小的影響。另外，生物組織的應力-生長關系會引起眼睛相關組織的適應性改變，因此會有 HTG 和 NTG 這樣的結果。
高眼壓被廣泛認為是青光眼的高危致病因素，而且也是目前為止可以調節和控制的因素[2]。IOP 與房水流動及青光眼之間具有直接的關系，而且容易利用眼壓儀測量，因此 IOP 一直是青光眼診治中的主要關注點。但并不是高 IOP 一定導致青光眼，也不是所有青光眼都是高 IOP[3]。因此，研究的焦點又關注到更多的影響因素上來。陳燕云等[4]認為 NTG 不僅是眼部的疾病，更傾向于是一組全身的系統性疾病。Tham 等[5]針對 PubMed、Medline 和 Web of Science 等數據庫進行了薈萃分析，探討性別、年齡、人種等因素與青光眼之間的相關性。Marek 等[6]對多種力學參數（SBP、DBP、IOP、ICP、TLCPD 等）和體征參數（性別、年齡、糖尿病、體重指數 BMI 等）與青光眼之間的關系進行了綜合分析，發現關于這些指標的研究之間往往會得出互相不一致甚至沖突的結論。Marek 等認為血液系統、眼睛和顱腦等部位的壓力對青光眼的發展都有深遠的影響，TLCPD 與篩板結構改變及視神經損傷存在密切的聯系。Liu 等[7]的臨床病例研究也發現，TLCPD 在 NTG 患者中顯著高于正常人群的數值。在流行病學研究中，OPP 和眼動脈血流（ophthalmic artery flow，OAF）被認為與青光眼有關聯[8]。Fan 等[9]認為，只是降低 IOP 對治療青光眼是不夠的，治療策略中應考慮對視神經的保護，如改善血流情況就是至關重要的問題。Samsudin 等[10]針對 NTG 患者的 OPP 和 OAF 之間的關系進行了研究，建立了眼灌注壓與血壓/眼壓之間的經驗公式：OPP = 2/3［DBP + 1/3（SBP ? DBP）］ – IOP，認為 OPP 的波動幅度對 NTG 的發展有重要作用，而血液灌注不全則對 NTG 不起作用。Hou 等[11]的動物實驗表明，降低 ICP 將對顱脊液在視神經管和框內腔的流動阻力產生影響，從而導致視神經損傷。Yavin 等[12]通過薈萃分析發現，IOP 和 ICP 之間具有相關性。顱內壓與眼壓的失衡有可能是正常眼壓性青光眼的原因之一[13]。Lindén 等[14]針對人體在不同位姿下 IOP、ICP 及 TLCPD 的變化，探討它們與 NTG 之間的關系，結果表明 ICP 與 NTG 之間沒有相關性。因此，ICP、IOP 及 TLCPD 等一起成了目前研究的新熱點，而發表的成果還不多。
1.2 顱內壓與青光眼的關系
ICP 之所以受到關注，是因為 TLCPD 產生的機械應力/應變會影響視神經頭等視神經相關組織的適應性改變[15-18]。吳文文等[13]認為，相對于正常人，近視患者的篩板較薄，接觸異常腦脊液的概率大，患青光眼的風險高；NTG 患者顱內壓低，不適于應用碳酸酐酶抑制劑，因其可一定程度減少腦脊液分泌；中度高眼壓癥患者 ICP 升高，可以抵消升高的 IOP 的作用，從而防止潛在或延緩青光眼性視神經損害。在原發性開角型青光眼（open-angle glaucoma，OAG）發病機制中，IOP 成為一個具有爭議的因素。首都醫科大學附屬北京同仁醫院王寧利帶領的課題組在“北京顱眼壓力研究”（intracranial and intraocular pressure，iCOP）計劃中，通過臨床前瞻性研究發現 TLCPD 可能是視神經乳頭生理、病理改變的重要因素，并在青光眼視神經病變中起重要作用。他們認為理論上顱內壓的降低與眼內壓的升高對視神經的損傷是相似的，但青光眼性視神經病變與 TLCPD 的相關性比與 IOP 的相關性更顯著[16]。通過對大量病例數據的統計分析，得到了正常人眼內壓和顱內壓的統計值：IOP ≈ （14.3 ± 2.6）mm Hg，ICP ≈ （12.9 ± 1.9）mm Hg[17]。ICP 與 IOP 之間似乎存在一定的數量關系。而 Wang 等[18]的研究表明對腦水腫患者而言，IOP 不能直接用于估算 ICP。Lee 等[19]認為 TLCPD 與 NTG 相關，但不是簡單的單調關系。Chen 等[20]回顧性研究發現，低 ICP 會因為 TLCPD 增大而導致視神經損傷而使 NTG 的發展惡化。Gallina 等[21]的研究表明，正常顱壓腦積水行分流術后過低的 ICP 可能導致 NTG。可見，除了高 IOP 之外，低 ICP 也是誘發青光眼的危險因素。Feola 等[22]則利用有限元分析方法研究 ICP 對視神經頭變形的影響，結果表明 ICP 和視神經頭的力學性能將影響視神經產生過度的應變，從而導致視神經損傷。
1.3 顱內壓與眼內壓的關系
早在 20 世紀 70 年代，就有人通過動物實驗研究 IOP 與 ICP 之間的關系，以及它們對 TLCPD 的影響[23]。Wang 等[24]用猴子作為實驗對象，利用壓力蓄能器分別對 IOP 和 ICP 進行在體實驗控制，利用光學相干斷層掃描技術（optical coherence tomography，OCT）觀測篩板形態，探討不同 IOP、ICP 數值對篩板結構改變的影響。結果表明，同時考慮 IOP 和 ICP 來探討篩板結構的改變是非常必要的。首都醫科大學附屬北京同仁醫院王寧利帶領的課題組分別用比格犬和獼猴作為實驗對象，通過穿刺、探針及傳感器等手段改變和控制動物的 IOP 和 ICP，探討 ICP 與 IOP 的相關性及對視神經的影響[25-26]。研究表明 ICP 與 IOP 之間存在動態平衡關系，這種平衡被打破可能會導致不同程度視神經損傷。Tran 等[27]對猴子進行動物實驗，發現 IOP 和 ICP 的非生理性升高造成視神經組織的過度牽張或壓縮，這將導致視神經損傷直至失去視覺。Lindén 等[14]針對人體在不同位姿下 IOP、ICP 及 TLCPD 的變化，探討它們與 NTG 之間的關系，結果表明 ICP 與 NTG 之間沒有相關性。Gonzálezcamarena 等[28]研究了脊柱穿刺前后 IOP 與 ICP 的關系，但沒有發現二者之間具有確定的關系。以上這些實驗研究奠定了很有價值的借鑒基礎，然而這些實驗基本上都是觀測實驗對象的即刻反應，暴露時間很短，缺乏較長時間的隨訪研究結果，因此其結論也僅僅作為一種參考。
生物力學中有一句經典名言“form follows function”，即功能決定了結構，也可以理解為應力-生長關系的一種表現。青光眼的視神經功能損傷往往表現在微結構改變上，青光眼診斷和治療的最好方法也是從結構和功能兩方面相結合來尋求解決方案的[29]。因此，無論是就理論上的生物力學機制還是臨床應用上的診療手段而言，生物力學因素都是影響青光眼評估的重要指標。
2 研究展望
2.1 提出青光眼評估的生物力學新指標
將生物力學理論和方法應用于青光眼的臨床診斷評估當中，是業內人士孜孜以求的目標[30]。相關的生物力學基礎研究和臨床診療應用研究考慮了包括多種壓力因素在內的生物力學指標與青光眼之間的統計學關系，特別是重點關注了 IOP、ICP、TLCPD 等力學因素與青光眼之間的作用關系。究其原因，一方面 IOP 一直是臨床眼科常規檢查項目，另一方面 ICP、TLCPD 是最近幾年研究人員和醫生關注的新熱點，而且 IOP、ICP、TLCPD 在眼底視神經周圍發揮作用（見圖 1），對視神經的影響最為直接。這樣，既考慮了與青光眼相關生物力學因素的主要矛盾，又兼顧了青光眼臨床檢測的可操作性。盡管如此，根據這一壓力指標的絕對值大小來評估青光眼，仍然會導致互相沖突的結果。
圖1
視神經相關壓力 IOP 及 ICP 在眼部作用關系示意圖
Figure1.
Diagram of the action relationship between the optic nerve related IOP and ICP
參照血流動力學中的血流儲備分數（fractional flow reserve，FFR，即 FFR = Pd/Pa，其中 Pd 為血管下游壓力，Pa 為血管上游的主動脈壓力），作者針對青光眼提出了一個全新的無量綱的生物力學評價指標──壓力儲備分數（fractional pressure reserve，FPR），FPR = P1/P2，其中 P1 和 P2 可以是任意兩個相關聯的壓力值。這樣就把壓力絕對值轉化為相對值，同時考慮到了壓力基線（base-line）高低對壓差幅度大小的影響。在這里，定義壓力儲備分數為公式（1）：
 |
一般情況下，FPR 是介于 0～1 之間的一個實數。FPR 較高者表明 ICP 高而 IOP 相對較低，或者說 TLCPD 較小。
提出 FPR 這一評價指標的科學依據是：影響眼生物力學的各種壓力的絕對值也許不是青光眼的客觀評價指標，因為壓力基線及其漂移可能會因為相關眼組織的應力-生長關系而影響到青光眼的生物力學指標，而 FPR 這一相對值也許能夠更客觀地評價青光眼的生物力學問題。
提出 FPR 的科學意義和現實意義在于：將 FPR 用于青光眼的生物力學評價，將大大簡化各種壓力因素的絕對值高低變化對青光眼臨床數據分析的復雜影響，從而更加客觀地評估各種壓力的相對變化對青光眼的作用；從臨床實踐的角度來看，FPR 有可能為提前篩查青光眼甚至制定新的臨床診斷標準奠定科學基礎。
需要特別說明的是，盡管這里定義的 FPR 重點考慮的是 IOP、ICP 和 TLCPD 這幾項壓力指標，但 FPR 的概念可以延伸到其他相關的壓力指標中，從而可以為深入探討各種壓力指標和體征參數對青光眼的影響開拓研究思路。
2.2 應用人工智能新技術進行青光眼的風險評估
人工智能和機器學習等新技術正如火如荼地遍地開花，應用于各個領域。而醫學科學作為經驗性很強的專業領域，其發展水平非常依賴于知識的學習、積累、推理和應用。基于醫學大數據的人工智能和機器學習，非常適合于臨床醫學的診斷和治療。有人說機器學習就是數理統計分析。而實際上，機器學習和數理統計之間的關系遠沒有這么簡單。首先，機器學習更多地關心如何構建一個系統去分析數據，而不是針對特定的程序化指令。其次，機器學習更多地強調優化和性能，而統計學則更注重推導。再次，機器學習并不需要對有關變量之間的潛在關系提出先驗假設。相比之下，統計學則必須了解數據的收集方式、估計量（包括 P 值和無偏估計）的統計特征、被研究人群的潛在分布規律，以及多次試驗的期望參數的類型，統計建模通常用于較低維度的數據集。機器學習的關鍵詞是預測、監督學習和非監督學習等。而數理統計是關于抽樣、統計和假設檢驗的科學。另外，針對青光眼的常規臨床檢查項目，目前往往還缺乏精心的試驗設計，即沒有遵循六西格瑪試驗設計原則：重復試驗、隨機化和區組化，這樣就造成了大量病例樣本產生的數據是無效數據的現象。因此，面對人工智能和機器學習等新技術，應科學合理地進行系統研究和試驗設計，完善臨床試驗樣本和病例信息，這樣才能得到具有創新性和科學性的青光眼評估方法。
就目前發表的文獻來看，統計分析中關于青光眼生物力學影響因素的前瞻性研究成果還比較少，利用人工智能和機器學習等新技術如人工神經網絡（artificial neural network，ANN）技術輔助進行青光眼診斷的研究內容更少，且僅限于眼底圖中杯盤比的識別[31-32]，而利用 ANN 等人工智能和機器學習技術來研究生物力學因素與青光眼關系的問題更是鮮有報道。我國人口眾多，臨床病例豐富，這為收集醫學大數據提供了很便利的條件。相信在不久的將來，利用人工智能和機器學習等新技術對臨床病例進行回顧性和前瞻性分析研究，探討生物力學因素在青光眼評估診療中的應用，將為青光眼風險評估提供強有力而切實可行的工具。
3 總結
與青光眼相關的生物力學風險因素眾多，相互關系紛繁復雜。無論是基礎研究還是臨床應用研究者，都需要關注臨床醫學大數據獲取、數據挖掘與試驗設計等重要科學技術問題，創新性地提出針對青光眼的全新的生物力學評估指標，并利用人工智能和機器學習等新技術構建面向臨床應用的評估算法和應用系統，順應新世紀臨床醫學的新技術發展趨勢，才會具有更好的發展前景。
引言
青光眼是全球第一位不可逆的致盲性眼病。據統計，全球青光眼患者約 6 050 萬，雙眼盲者 840 萬。美國每年因青光眼治療的直接費用達 29 億美元。我國目前尚無關于青光眼治療的花費統計，但由于我國青光眼患者數量為美國的 5～6 倍，如果所有青光眼患者都接受治療，估計我國青光眼治療的直接花費可達 150～180 億美元，而由青光眼造成的間接經濟損失可能更大。更為嚴重的是，隨著人口的老齡化，預計到 2020 年青光眼患者將增至 7 964 萬，其中 1 120 萬人可能因青光眼發展為雙眼盲。因此，對于青光眼的防治研究具有非常重要的社會和經濟意義。
眼壓被認為是與青光眼直接相關的一個重要的生物力學因素。眼壓是指眼球內部的壓力，即眼內容物對眼球壁施加的均衡壓力，因此也稱為眼內壓。眼內容物有房水、晶狀體、玻璃體，其中對眼壓影響最大的是房水。正常眼壓的范圍為 10～21 mm Hg（1.33～2.80 kPa）［（15.5 ± 2.75） mm Hg］，高于此范圍即可認為是高眼壓。高眼壓易導致青光眼是被廣泛接受的共識，這樣的青光眼被稱為高眼壓性青光眼（high tension glaucoma，HTG）。然而，低眼壓（正常眼壓）也會導致青光眼，這樣的青光眼被稱為低眼壓（正常眼壓）性青光眼（normal tension glaucoma，NTG）。眼壓與青光眼的復雜聯系就引起了爭論和新的探索[1-3]。除了眼壓之外，還有許多生物力學因素被認為與青光眼的發病風險有關，因此，吸引了生物力學領域和臨床醫學領域的共同關注。
本文綜述的關注焦點是與青光眼發病風險相關的各種生物力學因素，并從生物力學的角度提出全新的青光眼評估指標，對人工智能和機器學習技術在面向臨床青光眼評估方法方面的應用研究進行了展望。
1 國內外研究現狀
1.1 與青光眼相關的生物力學因素
由于僅僅依據眼壓來評估青光眼的發病風險會導致相互沖突的結果，因此有人把關注點放到了顱內壓（intracranial pressure，ICP）和眼內壓（intraocular pressure，IOP）的相互關系上，提出跨篩板壓力差（trans-lamina cribrosa pressure difference，TLCPD）（TLCPD=IOP－ICP）作為評價指標。當然還有更多的生物力學因素如收縮壓（systolic blood pressure，SBP）、舒張壓（diastolic blood pressure，DBP）、灌注壓（ocular perfusion pressure，OPP）、靜脈壓等也被列入青光眼危險因素當中[1]。以上這些指標均以絕對值的形式被用于青光眼的風險評估。然而，絕對值往往帶有很明顯的個性化差異，也沒有考慮到壓力基線高低對壓差大小的影響。另外，生物組織的應力-生長關系會引起眼睛相關組織的適應性改變，因此會有 HTG 和 NTG 這樣的結果。
高眼壓被廣泛認為是青光眼的高危致病因素，而且也是目前為止可以調節和控制的因素[2]。IOP 與房水流動及青光眼之間具有直接的關系，而且容易利用眼壓儀測量，因此 IOP 一直是青光眼診治中的主要關注點。但并不是高 IOP 一定導致青光眼，也不是所有青光眼都是高 IOP[3]。因此，研究的焦點又關注到更多的影響因素上來。陳燕云等[4]認為 NTG 不僅是眼部的疾病，更傾向于是一組全身的系統性疾病。Tham 等[5]針對 PubMed、Medline 和 Web of Science 等數據庫進行了薈萃分析，探討性別、年齡、人種等因素與青光眼之間的相關性。Marek 等[6]對多種力學參數（SBP、DBP、IOP、ICP、TLCPD 等）和體征參數（性別、年齡、糖尿病、體重指數 BMI 等）與青光眼之間的關系進行了綜合分析，發現關于這些指標的研究之間往往會得出互相不一致甚至沖突的結論。Marek 等認為血液系統、眼睛和顱腦等部位的壓力對青光眼的發展都有深遠的影響，TLCPD 與篩板結構改變及視神經損傷存在密切的聯系。Liu 等[7]的臨床病例研究也發現，TLCPD 在 NTG 患者中顯著高于正常人群的數值。在流行病學研究中，OPP 和眼動脈血流（ophthalmic artery flow，OAF）被認為與青光眼有關聯[8]。Fan 等[9]認為，只是降低 IOP 對治療青光眼是不夠的，治療策略中應考慮對視神經的保護，如改善血流情況就是至關重要的問題。Samsudin 等[10]針對 NTG 患者的 OPP 和 OAF 之間的關系進行了研究，建立了眼灌注壓與血壓/眼壓之間的經驗公式：OPP = 2/3［DBP + 1/3（SBP ? DBP）］ – IOP，認為 OPP 的波動幅度對 NTG 的發展有重要作用，而血液灌注不全則對 NTG 不起作用。Hou 等[11]的動物實驗表明，降低 ICP 將對顱脊液在視神經管和框內腔的流動阻力產生影響，從而導致視神經損傷。Yavin 等[12]通過薈萃分析發現，IOP 和 ICP 之間具有相關性。顱內壓與眼壓的失衡有可能是正常眼壓性青光眼的原因之一[13]。Lindén 等[14]針對人體在不同位姿下 IOP、ICP 及 TLCPD 的變化，探討它們與 NTG 之間的關系，結果表明 ICP 與 NTG 之間沒有相關性。因此，ICP、IOP 及 TLCPD 等一起成了目前研究的新熱點，而發表的成果還不多。
1.2 顱內壓與青光眼的關系
ICP 之所以受到關注，是因為 TLCPD 產生的機械應力/應變會影響視神經頭等視神經相關組織的適應性改變[15-18]。吳文文等[13]認為，相對于正常人，近視患者的篩板較薄，接觸異常腦脊液的概率大，患青光眼的風險高；NTG 患者顱內壓低，不適于應用碳酸酐酶抑制劑，因其可一定程度減少腦脊液分泌；中度高眼壓癥患者 ICP 升高，可以抵消升高的 IOP 的作用，從而防止潛在或延緩青光眼性視神經損害。在原發性開角型青光眼（open-angle glaucoma，OAG）發病機制中，IOP 成為一個具有爭議的因素。首都醫科大學附屬北京同仁醫院王寧利帶領的課題組在“北京顱眼壓力研究”（intracranial and intraocular pressure，iCOP）計劃中，通過臨床前瞻性研究發現 TLCPD 可能是視神經乳頭生理、病理改變的重要因素，并在青光眼視神經病變中起重要作用。他們認為理論上顱內壓的降低與眼內壓的升高對視神經的損傷是相似的，但青光眼性視神經病變與 TLCPD 的相關性比與 IOP 的相關性更顯著[16]。通過對大量病例數據的統計分析，得到了正常人眼內壓和顱內壓的統計值：IOP ≈ （14.3 ± 2.6）mm Hg，ICP ≈ （12.9 ± 1.9）mm Hg[17]。ICP 與 IOP 之間似乎存在一定的數量關系。而 Wang 等[18]的研究表明對腦水腫患者而言，IOP 不能直接用于估算 ICP。Lee 等[19]認為 TLCPD 與 NTG 相關，但不是簡單的單調關系。Chen 等[20]回顧性研究發現，低 ICP 會因為 TLCPD 增大而導致視神經損傷而使 NTG 的發展惡化。Gallina 等[21]的研究表明，正常顱壓腦積水行分流術后過低的 ICP 可能導致 NTG。可見，除了高 IOP 之外，低 ICP 也是誘發青光眼的危險因素。Feola 等[22]則利用有限元分析方法研究 ICP 對視神經頭變形的影響，結果表明 ICP 和視神經頭的力學性能將影響視神經產生過度的應變，從而導致視神經損傷。
1.3 顱內壓與眼內壓的關系
早在 20 世紀 70 年代，就有人通過動物實驗研究 IOP 與 ICP 之間的關系，以及它們對 TLCPD 的影響[23]。Wang 等[24]用猴子作為實驗對象，利用壓力蓄能器分別對 IOP 和 ICP 進行在體實驗控制，利用光學相干斷層掃描技術（optical coherence tomography，OCT）觀測篩板形態，探討不同 IOP、ICP 數值對篩板結構改變的影響。結果表明，同時考慮 IOP 和 ICP 來探討篩板結構的改變是非常必要的。首都醫科大學附屬北京同仁醫院王寧利帶領的課題組分別用比格犬和獼猴作為實驗對象，通過穿刺、探針及傳感器等手段改變和控制動物的 IOP 和 ICP，探討 ICP 與 IOP 的相關性及對視神經的影響[25-26]。研究表明 ICP 與 IOP 之間存在動態平衡關系，這種平衡被打破可能會導致不同程度視神經損傷。Tran 等[27]對猴子進行動物實驗，發現 IOP 和 ICP 的非生理性升高造成視神經組織的過度牽張或壓縮，這將導致視神經損傷直至失去視覺。Lindén 等[14]針對人體在不同位姿下 IOP、ICP 及 TLCPD 的變化，探討它們與 NTG 之間的關系，結果表明 ICP 與 NTG 之間沒有相關性。Gonzálezcamarena 等[28]研究了脊柱穿刺前后 IOP 與 ICP 的關系，但沒有發現二者之間具有確定的關系。以上這些實驗研究奠定了很有價值的借鑒基礎，然而這些實驗基本上都是觀測實驗對象的即刻反應，暴露時間很短，缺乏較長時間的隨訪研究結果，因此其結論也僅僅作為一種參考。
生物力學中有一句經典名言“form follows function”，即功能決定了結構，也可以理解為應力-生長關系的一種表現。青光眼的視神經功能損傷往往表現在微結構改變上，青光眼診斷和治療的最好方法也是從結構和功能兩方面相結合來尋求解決方案的[29]。因此，無論是就理論上的生物力學機制還是臨床應用上的診療手段而言，生物力學因素都是影響青光眼評估的重要指標。
2 研究展望
2.1 提出青光眼評估的生物力學新指標
將生物力學理論和方法應用于青光眼的臨床診斷評估當中，是業內人士孜孜以求的目標[30]。相關的生物力學基礎研究和臨床診療應用研究考慮了包括多種壓力因素在內的生物力學指標與青光眼之間的統計學關系，特別是重點關注了 IOP、ICP、TLCPD 等力學因素與青光眼之間的作用關系。究其原因，一方面 IOP 一直是臨床眼科常規檢查項目，另一方面 ICP、TLCPD 是最近幾年研究人員和醫生關注的新熱點，而且 IOP、ICP、TLCPD 在眼底視神經周圍發揮作用（見圖 1），對視神經的影響最為直接。這樣，既考慮了與青光眼相關生物力學因素的主要矛盾，又兼顧了青光眼臨床檢測的可操作性。盡管如此，根據這一壓力指標的絕對值大小來評估青光眼，仍然會導致互相沖突的結果。
圖1
視神經相關壓力 IOP 及 ICP 在眼部作用關系示意圖
Figure1.
Diagram of the action relationship between the optic nerve related IOP and ICP
參照血流動力學中的血流儲備分數（fractional flow reserve，FFR，即 FFR = Pd/Pa，其中 Pd 為血管下游壓力，Pa 為血管上游的主動脈壓力），作者針對青光眼提出了一個全新的無量綱的生物力學評價指標──壓力儲備分數（fractional pressure reserve，FPR），FPR = P1/P2，其中 P1 和 P2 可以是任意兩個相關聯的壓力值。這樣就把壓力絕對值轉化為相對值，同時考慮到了壓力基線（base-line）高低對壓差幅度大小的影響。在這里，定義壓力儲備分數為公式（1）：
|
一般情況下，FPR 是介于 0～1 之間的一個實數。FPR 較高者表明 ICP 高而 IOP 相對較低，或者說 TLCPD 較小。
提出 FPR 這一評價指標的科學依據是：影響眼生物力學的各種壓力的絕對值也許不是青光眼的客觀評價指標，因為壓力基線及其漂移可能會因為相關眼組織的應力-生長關系而影響到青光眼的生物力學指標，而 FPR 這一相對值也許能夠更客觀地評價青光眼的生物力學問題。
提出 FPR 的科學意義和現實意義在于：將 FPR 用于青光眼的生物力學評價，將大大簡化各種壓力因素的絕對值高低變化對青光眼臨床數據分析的復雜影響，從而更加客觀地評估各種壓力的相對變化對青光眼的作用；從臨床實踐的角度來看，FPR 有可能為提前篩查青光眼甚至制定新的臨床診斷標準奠定科學基礎。
需要特別說明的是，盡管這里定義的 FPR 重點考慮的是 IOP、ICP 和 TLCPD 這幾項壓力指標，但 FPR 的概念可以延伸到其他相關的壓力指標中，從而可以為深入探討各種壓力指標和體征參數對青光眼的影響開拓研究思路。
2.2 應用人工智能新技術進行青光眼的風險評估
人工智能和機器學習等新技術正如火如荼地遍地開花，應用于各個領域。而醫學科學作為經驗性很強的專業領域，其發展水平非常依賴于知識的學習、積累、推理和應用。基于醫學大數據的人工智能和機器學習，非常適合于臨床醫學的診斷和治療。有人說機器學習就是數理統計分析。而實際上，機器學習和數理統計之間的關系遠沒有這么簡單。首先，機器學習更多地關心如何構建一個系統去分析數據，而不是針對特定的程序化指令。其次，機器學習更多地強調優化和性能，而統計學則更注重推導。再次，機器學習并不需要對有關變量之間的潛在關系提出先驗假設。相比之下，統計學則必須了解數據的收集方式、估計量（包括 P 值和無偏估計）的統計特征、被研究人群的潛在分布規律，以及多次試驗的期望參數的類型，統計建模通常用于較低維度的數據集。機器學習的關鍵詞是預測、監督學習和非監督學習等。而數理統計是關于抽樣、統計和假設檢驗的科學。另外，針對青光眼的常規臨床檢查項目，目前往往還缺乏精心的試驗設計，即沒有遵循六西格瑪試驗設計原則：重復試驗、隨機化和區組化，這樣就造成了大量病例樣本產生的數據是無效數據的現象。因此，面對人工智能和機器學習等新技術，應科學合理地進行系統研究和試驗設計，完善臨床試驗樣本和病例信息，這樣才能得到具有創新性和科學性的青光眼評估方法。
就目前發表的文獻來看，統計分析中關于青光眼生物力學影響因素的前瞻性研究成果還比較少，利用人工智能和機器學習等新技術如人工神經網絡（artificial neural network，ANN）技術輔助進行青光眼診斷的研究內容更少，且僅限于眼底圖中杯盤比的識別[31-32]，而利用 ANN 等人工智能和機器學習技術來研究生物力學因素與青光眼關系的問題更是鮮有報道。我國人口眾多，臨床病例豐富，這為收集醫學大數據提供了很便利的條件。相信在不久的將來，利用人工智能和機器學習等新技術對臨床病例進行回顧性和前瞻性分析研究，探討生物力學因素在青光眼評估診療中的應用，將為青光眼風險評估提供強有力而切實可行的工具。
3 總結
與青光眼相關的生物力學風險因素眾多，相互關系紛繁復雜。無論是基礎研究還是臨床應用研究者，都需要關注臨床醫學大數據獲取、數據挖掘與試驗設計等重要科學技術問題，創新性地提出針對青光眼的全新的生物力學評估指標，并利用人工智能和機器學習等新技術構建面向臨床應用的評估算法和應用系統，順應新世紀臨床醫學的新技術發展趨勢，才會具有更好的發展前景。
