从“筛”到“疗”：眼科AI如何构建近视防控的个体化闭环

在青少年近视防控上升为国家战略的今天，各地筛查覆盖率已大幅提升，但“筛而不治、治而不精”的痛点依然突出。一位视光中心主任坦言：“我们每年为上万名儿童建立屈光档案，但真正能做到精准预测、及时干预并长期随访的不足三成。” 这背后是数据利用的低效——大量视力筛查数据、眼生物学参数、遗传与环境信息沉睡在纸质表或静态数据库中，未能转化为临床决策的驱动力。 近年来，眼科人工智能（AI）与大数据的融合正试图打破这一僵局。从 **眼底图像AI分析** 到 **屈光发育预测模型**，技术已不再是瓶颈。例如，某三甲眼科医院联合科研团队开发的“近视风险预警系统”，基于超10万例青少年的纵向数据，可提前2年预测高度近视风险，准确率达87%。但该系统的落地却遇到尴尬：多数基层视光中心缺乏标准化数据采集流程，眼轴测量误差、验光结果偏差等问题导致模型输入“脏数据”，AI沦为摆设。 问题的核心在于，近视防控不仅是“筛”的问题，更是“疗”的闭环。当前， **视光中心与眼科医院** 在近视管理链条中加速融合，正为解决这一难题提供组织基础。在上海某试点区域，社区卫生服务中心、区级视光中心和上级眼科医院共建“三级近视防控网络”：社区负责初筛和建档，视光中心承担复杂验配与行为干预，医院主攻药物与光学联合疗法。更关键的是，所有节点共享一套数据标准，AI模型在后台实时分析，自动生成个体化干预建议并推送至医生端。以一位8岁快速进展性近视儿童为例，系统根据其眼轴增速、角膜曲率及父母近视史，提示“低浓度阿托品+周边离焦镜片”联合方案，并自动预约3个月后的复查。半年后，该儿童眼轴增幅由0.4mm/年降至0.15mm/年。 然而，这种理想模式仍属“盆景”。多数地区面临 **数据孤岛、人才短缺和AI信任危机**。眼科AI的精度高度依赖数据质量，而目前不同机构之间数据采集标准不一，算法泛化能力受限。此外，视光从业者需具备解读AI输出、与患者沟通风险的能力，但相关培训体系尚不完善。一位资深视光师感叹：“AI说这个孩子有30%概率发展为高度近视，到底要不要用阿托品？家长盯着我问时，我必须有扎实的循证底气。”  值得期待的是， **眼科AI监管与评价共识** 正在形成。近期眼科学术会议及核心期刊密集发布了关于AI在近视防控中应用的专家共识，强调 **“人机协同”** 原则：AI提供决策支持，最终处方权归于医生；同时需建立多中心验证、不良事件上报和持续学习机制。眼科AI正在从“算法炫技”转向“临床落地”，其真正价值不是替代医生，而是将顶级专家的判断能力下沉至基层，让每个孩子都能获得基于大数据的个体化防控方案。 未来，近视防控的竞争不再是单一技术的比拼，而是 **“智能-组织-人”** 三位一体的生态构建。打破数据壁垒、加速视光人才“数智化”培训、构建用户信任，才能让AI从“筛”到“疗”的最后一公里真正畅通，实现 **全流程、全人群、全闭环** 的近视管理新范式。