眼外傷評分與眼球結構參數在眼外傷愈后視力評估中的價值

周智露，王 杰，夏文濤，陳捷敏，郝虹霞

0 引言

眼外傷在法醫臨床鑒定中較常見，傷情表現復雜多樣，傷情鑒定時多以愈后實際視覺功能(尤其是遠視力)作為關鍵指標，因此，鑒定過程中被鑒定人出于求償或懲罰心理不乏偽盲或夸大視力障礙的情況。嚴重眼損傷導致視力障礙的認定通常不會存在爭議，但在傷情相對輕微、損傷基礎與視力障礙程度不相符合，或既往存在眼部傷病的案例中，常需排除被鑒定人不配合、需分析外傷與視力下降之間是否存在因果關系等，此時眼球結構的檢查尤為重要。有學者對高度近視[1-6]、白內障[7-9]、青光眼[10-13]等眼部病變與視力之間的關聯性進行了研究，均證實眼球結構改變與視力密切相關。臨床眼科對于術后視力十分關注，美國眼外傷協會制定的眼外傷評分[14-15](ocular trauma score，OTS)被作為預測愈后視力的方法之一[16-20]。OTS方法根據眼外傷后初次就診的裸眼視力與眼損傷類型進行綜合評分，再根據得分進行分級，可按照分級估計愈后視力的大致水平。法醫臨床鑒定中，將眼外傷所致眼球結構改變的客觀檢查結果作為評價愈后視力的指標，無疑具有重要意義。本研究旨在根據機械性眼外傷眼部結構改變和OTS評分分析其與愈后最佳矯正視力(best corrected visual acuity，BCVA)的關聯性，探索眼外傷治療后不同視力范圍的眼球結構差異及預測眼外傷愈后BCVA的可行性。

1 對象和方法

1.1對象選取司法鑒定科學研究院2015-06/2021-06受理并出具明確鑒定意見(包括人體損傷程度和殘疾等級鑒定)的眼外傷案件，納入眼外傷者302例302眼(眼外傷組)，其中男233例，女69例，男性占比約為女性的3.38倍；年齡8～75(平均44.91±13.21)歲；左眼165例，右眼137例。納入標準：(1)不同程度眼外傷滿6mo；(2)病歷資料完整；(3)愈后視力可明確認定。排除標準：(1)等效球鏡屈光度超過-6.00D者；(2)既往存在影響視覺功能的自身眼病；(3)存在可能影響視覺功能的其他全身性疾病；(4)愈后視力不明確或難以準確判定者。將納入的眼外傷者根據眼外傷愈后BCVA進行分組，Ⅰ組63例63眼，BCVA<3.7(即小數視力<0.05)，其中男49例，女14例，年齡14～68(平均43.46±13.27)歲，左眼30例，右眼33例；Ⅱ組70例70眼，3.7≤BCVA<4.5(即小數視力0.05≤BCVA<0.3)，其中男56例，女14例，年齡9～75(平均45.20±14.68)歲，左眼43例，右眼27例；Ⅲ組78例78眼，4.5≤BCVA<4.9(即小數視力0.3≤BCVA<0.8)，其中男62例，女16例，年齡24～74(平均47.81±12.80)歲，左眼49例，右眼29例；Ⅳ組91例91眼，BCVA≥4.9為(即小數視力BCVA≥0.8)，其中男66例，女25例，年齡12～70(平均43.21±12.07)歲，左眼43例，右眼48例。另選取納入的眼外傷者健眼77例77眼作為對照組即V組，其中男66例，女11例，年齡8～70(平均44.57±13.75)歲；左眼30例，右眼47例；等效球鏡屈光度-2.00D以上者15眼。排除有眼外傷史、患有影響視覺功能疾病者。各組年齡、性別構成、眼別差異無統計學意義(F=1.510，P=0.199；χ2=4.481，P=0.345；χ2=12.648，P=0.013)。

1.2方法

1.2.1OTS評分及分級查閱納入研究對象的完整病歷，詳細記錄眼外傷類型、傷后初診視力、眼部檢查結果，按照初診視力(記為A)、眼外傷診斷(眼球破裂、眼內炎、眼球穿通傷、視網膜脫離、瞳孔相對性傳導阻滯分別記為B、C、D、E、F)進行OTS評分(表1)及分級[11，15]。OTS評分為A+B+C+D+E+F，若某項評估指標不存在，則該項計為0，根據總積分分為1～5級，分級標準：0～44分為1級；45～65分為2級；66～80分為3級；81～91分為4級；92～100分為5級。

表1 OTS評分

1.2.2眼外傷愈后視力評估采用視標投影儀(型號GP-770)檢測眼外傷愈后BCVA，為方便統計學分析，將小數視力轉換為五分記錄法后進行數據分析。

1.2.3眼外傷愈后眼球結構參數評估采用裂隙燈顯微鏡觀察角膜和晶狀體情況，根據法醫臨床相關指南[21-22]進行角膜和晶狀體分級；應用彩色眼底照相機獲取彩色眼底照，參考劉夷嫦等[6]方法進行眼底分級。此外，應用光相干斷層掃描(optical coherence tomography，OCT)獲取中央視網膜厚度(central subfield thickness，CST)、視神經周圍神經纖維層平均厚度(the average thickness of retinal never fiber layer，RNFL)及上方視神經纖維層厚度(superior RNFL，RNFL-S)、下方視神經纖維層厚度(inferior RNFL，RNFL-I)、鼻側視神經纖維層厚度(nasal RNFL，RNFL-N)、顳側視神經纖維層厚度(temporal RNFL，RNFL-T)。

角膜分級標準：(1)0級，角膜未見明顯異常；(2)1級，角膜見散在混濁斑點，未累及瞳孔區；(3)2級，角膜瞳孔區見點狀瘢痕；(4)3級，角膜瞳孔區見片狀斑翳；(5)4級，角膜瞳孔區見片狀白斑。

晶狀體分級標準：(1)0級，晶狀體未見明顯異常；(2)1級，人工晶狀體置換術后；(3)2級，晶狀體輕度混濁；(4)3級，晶狀體重度混濁；(5)4級，晶狀體缺失。

眼底分級標準：(1)0級，眼底未見明顯異常；(2)1級，視盤周圍開始出現弧形萎縮斑，或以中心凹為圓心、直徑3mm區域內開始出現異常改變；(3)2級，視盤周圍弧形萎縮斑≤視盤周長1/2，或以中心凹為圓心、直徑3mm區域內≤1/2范圍有異常改變；(4)3級，視盤周圍弧形萎縮斑>1/2，或以中心凹為圓心、直徑3mm區域內>1/2范圍有異常改變(0～3級中心凹均無異常改變)；(5)4級，視盤周圍弧形萎縮斑包繞視盤，或以中心凹為圓心、直徑3mm區域內異常改變累及中心凹。

統計學分析：使用SPSS 20.0軟件進行數據分析。非正態分布的計量資料采用M(P25，P75)表示，多組間比較采用Kruskal-WallisH檢驗，進一步兩兩比較采用Nemenyi檢驗。計數資料采用n(%)表示，多組間比較采用卡方檢驗。相關性分析采用Spearman相關分析法。P<0.05表示差異有統計學意義。采用IBM SPSS Modeler 18.0軟件建立預測眼外傷愈后視力的隨機森林(random forest，RF)和支持向量機(support vector machine，SVM)模型。

2 結果

2.1眼外傷情況本研究納入眼外傷者302例302眼，眼損傷類型(多發傷或聯合傷均按主要損傷分類統計)包括眼部軟組織損傷93眼、眶壁骨折28眼、角膜上皮損傷10眼、眼球破裂傷16眼、角膜穿通傷20眼、前房積血24眼、晶狀體脫位7眼、玻璃體積血8眼、黃斑損傷20眼、視網膜損傷20眼、視神經損傷34眼、顱腦損傷21眼、眼內感染1眼。

2.2眼外傷愈后BCVA情況本研究納入眼外傷者眼外傷愈后BCVA分布情況見表2。

表2 本研究納入眼外傷者眼外傷愈后BCVA分布情況 眼(%)

2.3各觀察指標與眼外傷愈后BCVA的相關性納入眼外傷者初診視力、OTS評分、眼外傷愈后角膜分級、晶狀體分級、眼底分級、RNFL、RNFL-S、RNFL-I、RNFL-N、RNFL-T與眼外傷愈后BCVA均存在相關性(P<0.01，表3)，而眼外傷者年齡、眼外傷愈后CST與眼外傷愈后BCVA均無相關性(P>0.05)。

表3 各觀察指標與眼外傷愈后BCVA的相關性

2.4眼外傷愈后眼球結構參數各組CST差異無統計學意義(P=0.058)。各組RNFL、RNFL-S、RNFL-I、RNFL-N、RNFL-T差異均有統計學意義(P<0.001)，其中Ⅰ組與Ⅱ、Ⅲ、Ⅳ、Ⅴ組，Ⅱ組與Ⅳ、Ⅴ組RNFL差異均有統計學意義(P<0.05)；Ⅰ組與Ⅱ、Ⅲ、Ⅳ、Ⅴ組，Ⅲ組與Ⅳ、Ⅴ組RNFL-S差異均有統計學意義(P<0.05)；Ⅰ組與Ⅲ、Ⅳ、Ⅴ組，Ⅱ組與Ⅲ、Ⅳ、Ⅴ組RNFL-I差異均有統計學意義(P<0.05)；Ⅰ組與Ⅱ、Ⅳ、Ⅴ組RNFL-N的差異均有統計學意義(P<0.05)；Ⅰ組與Ⅳ組RNFL-T差異有統計學意義(P<0.05)。各組角膜、晶狀體、眼底分級差異均有統計學意義(P<0.001)，其中Ⅰ組與Ⅳ、Ⅴ組，Ⅱ組與Ⅲ、Ⅳ、Ⅴ組角膜分級差異均有統計學意義(P<0.05)；Ⅰ組與Ⅲ、Ⅳ、Ⅴ組，Ⅱ組與Ⅳ組晶狀體分級差異均有統計學意義(P<0.05)；Ⅰ組與Ⅲ、Ⅳ、Ⅴ組，Ⅱ組與Ⅳ、Ⅴ組眼底分級差異均有統計學意義(P<0.05)，見表4。

表4 各組眼外傷愈后眼球結構參數比較 M(P25，P75)

2.5眼外傷愈后BCVA預測模型的建立利用OTS分級、OTS評分、年齡、性別、眼球結構參數等變量建立數據庫，將BCVA設為目標變量，其余變量設為輸入變量，分別建立RF和SVM模型，輸出結果為預測視力，將其與實際愈后BCVA進行比較(圖1)，結果發現兩種方法預測結果中眼外傷組差值≤0.1的分別為94眼(31.1%)、239眼(79.1%)；差值≤0.15的分別為126眼(41.7%)、245眼(81.1%)。對照組差值≤0.1的分別為59眼(76.6%)、62眼(80.5%)；差值≤0.15的分別為70眼(90.9%)、67眼(87.0%)。RF和SVM模型視力預測值與實際BCVA的Pearson相關系數分別為0.919、0.940。

圖1 眼外傷愈后BCVA預測模型的建立 A：眼外傷組眼外傷愈后實際BCVA值與SVM模型預測值散點圖；B：眼外傷組眼外傷愈后實際BCVA值與RF模型預測值散點圖；C：對照組實際BCVA值與SVM模型預測值散點圖；D：對照組實際BCVA值與RF模型預測值散點圖；E：眼外傷組BCVA預測值與眼外傷愈后實際BCVA差值；F：對照組BCVA預測值與眼外傷愈后實際BCVA差值。

3 討論

眼外傷指眼附屬器與眼球遭受物理性、化學性因素導致損傷，可分為開放性與閉合性損傷。眼外傷可致多種眼部結構改變，如外傷后視神經管骨折致視神經損傷甚至萎縮；眼球挫傷或穿通傷時，晶狀體囊膜破裂，房水進入晶狀體形成混濁，發展為外傷性白內障；外傷后前房積血、房水循環系統被破壞，眼壓持續性增高，可進展為外傷性青光眼；外傷后晶狀體損傷、視網膜脫離、黃斑出血、黃斑裂孔等，遺留視力障礙。在眼部外傷導致如角膜、晶狀體外傷后嚴重混濁，無法窺視眼底，或視神經萎縮甚至眼球萎縮等嚴重的眼球結構破壞，應認定其具有足以引起視覺功能嚴重障礙的損傷基礎，可以直接認定外傷與視覺功能障礙之間的因果關系，一般無需再就愈后視力進行針對性的偽盲或偽裝視力降低的鑒別。然而，在眼損傷的法醫臨床鑒定實踐中，眼部結構檢查未見足以引起視覺功能障礙的損傷基礎，或眼球結構損傷性改變明顯輕微，但自訴視力(視力表視力)顯著降低的情形卻更為多見，此時，甄別偽裝視力降低或偽盲，提出客觀、準確的司法鑒定意見，成為法醫臨床鑒定的重要關注點。本研究旨在探索眼外傷治療后不同視力范圍的眼球結構差異及其評估眼外傷愈后視力的可行性。

由于眼外傷形式多樣、傷情復雜，為了盡可能全面考察影響視覺功能障礙的因素，本研究將角膜、晶狀體、眼底均納入研究范圍。加之，角膜、晶狀體均屬于屈光間質，一般來說角膜瞳孔區遺留瘢痕、斑翳、白斑或晶狀體出現明顯混濁、缺失均對BCVA存在一定程度的影響。眼底結構包括黃斑、視網膜、動靜脈、視杯、視盤等，即使有細微的改變也可能對視覺功能產生不可小覷的影響，故認為不同視力范圍的眼球結構改變可能存在差異。結合現行盲目和視覺損傷分級標準及相關法醫臨床鑒定標準，視力低于3.7即為盲目，視力≥3.7但<4.5屬中度至重度視覺損傷，視力≥4.5但<4.9屬于輕度視覺損傷，本研究將納入的眼外傷者分為4組，并設置Ⅴ組(健眼)作為對照組，比較各組眼部檢查結果，發現組間CST沒有差異。角膜分級、晶狀體分級與眼底分級組間兩兩比較部分存在統計學差異，分析與BCVA較低的組中眼損傷嚴重(多為眼球破裂傷、角膜穿通傷等)，可造成角膜瘢痕、晶狀體缺失、眼底改變等有關。而在視力輕度損傷組中，眼損傷相對輕微，引起的眼球結構改變較小。同時，在不同組間眼底分級的比較中發現，視力越低的組其眼底分級越高，這一結果與劉夷嫦等[6]研究結果一致，證實眼球結構改變對視力存在影響。

本研究比較眼外傷組與對照組RNFL、RNFL-S、RNFL-I、RNFL-N、RNFL-T發現，眼外傷后RNFL-T改變最小，其次為RNFL-N。RNFL-T在眼外傷組與對照組均無明顯改變，RNFL、RNFL-S、RNFL-I、RNFL-N在Ⅰ組明顯變薄。孫颯等[13]研究眼外傷性后RNFL改變趨勢發現，眼外傷后RNFL明顯較正常人變薄，但未根據傷眼的視力進行分組與健眼進行比較，研究對象較為單一。本研究將傷眼分為4個視力水平組與健眼進行比較，并囊括了多種眼損傷類型，可更好地分析眼外傷后不同視力水平的RNFL與CST的變化。此外，本研究發現，眼外傷愈后CST與BCVA不存在相關性，其原因可能與本組研究對象較少、黃斑損傷眼數據不足及此類損傷傷情相對復雜有關，但眼底分級已將黃斑、視盤的形態學改變一并考慮在內，因此，黃斑作為評估視力的一個重要因素仍不可或缺。

OTS方法的法醫學應用以往較為少見，但已應用于臨床眼科眼外傷愈后視力的評估。項劍等[23]將OTS方法與法醫視覺功能鑒定相結合，發現該方法在評估愈后視力中具有可行性、穩定性及客觀性，可為法醫臨床視覺功能鑒定提供可靠的信息。因此，本研究將OTS分級與評分作為輸入變量建立模型。對于視力的評估，在臨床眼科是一大重要關注點，相關研究表明，人工智能技術在預測視力方面具有可行性[24-28]。Rohm 等[24]從OCT圖像與臨床病歷中提取了上百個特征變量用于預測不同治療階段年齡相關性黃斑病變患者的視力水平。Waldstein等[25]將OCT圖像直接輸入機器學習模型用于預測白內障術后視力。雖然目前研究表明人工智能預測術后視力具有可行性，但是否能直接作為一種輔助工具用于臨床實踐還有待進一步探索。本研究建立了隨機森林與支持向量機模型，發現眼外傷眼與健眼隨機森林模型準確率均較SVM模型準確率低，SVM在眼外傷組差值≤0.1準確率為79.1%，對照組為80.5%。本研究利用已有的建模軟件建立模型，而非人工智能技術進行建模，該方法優點在于對數據需求不高，時間成本低，缺點在于不能進行N折交叉驗證，因此準確性可能較人工智能模型低。下一步研究計劃加大樣本量，增加新的特征變量或將眼部圖像直接輸入人工智能模型進行視力預測。

本研究結果顯示，眼球結構與視覺功能之間存在密切聯系，故認為可根據初次就醫的檢查記錄和眼部改變情況、暴力作用大小、作用方式及眼外傷診斷結果等對愈后視力作出初步評估，然后根據鑒定時眼部結構檢驗所見，觀察外傷引起的眼部結構改變是否呈動態改變，結合多方面因素，作出盡可能客觀、準確的視力評定。本研究首次提出將角膜、晶狀體、眼底狀況分為五級，以對應OTS分級的五個級別，同時觀察黃斑、視盤、視網膜的變化，以評估眼外傷愈后BCVA。在法醫臨床視覺功能鑒定時，可有助于準確判斷眼外傷與視覺功能損害之間的因果關系。此外，OTS方法也可為法醫學中偽裝視覺功能障礙的鑒別提供有效的信息。本研究的不足之處在于損傷類型多樣、樣本量總體仍偏少，加之預測終歸是對未知事件的推測，具有一定的或然性，上述模型還有待進一步完善并驗證。由于樣本變量還涉及數據分布的問題，下一步擬進一步擴大樣本量，并通過機器學習的方法建立模型。機器學習是人工智能的一個分支，該方法可以很好地解決數據樣本分布不均、樣本過擬合等問題，以期為眼外傷愈后視覺功能評定提供準確率更高、更可靠的預測結果。