基于强化学习的动态光学干预策略：离焦镜片与阿托品联合治疗的个性化优化框架

近视管理已从单一手段干预迈向多模态联合治疗，但个体差异导致疗效参差不齐。传统方案多基于静态规则，难以动态匹配患者眼部参数变化。最新研究引入强化学习算法，构建了离焦镜片与低浓度阿托品联合应用的个性化决策模型。 模型以眼轴长度、屈光度、角膜曲率及脉络膜厚度等连续监测数据为状态输入，以阿托品浓度（0.01%、0.025%或0.05%）和离焦量（+2.5D、+3.5D或+4.5D）为动作空间，以控制近视进展速率和最小化副作用为奖励函数。在为期18个月的模拟队列中，该策略相比固定方案将眼轴年增长量平均降低0.13mm（p<0.001），且高浓度阿托品暴露时间减少42%。 真实世界验证中，研究者纳入213名8-12岁近视儿童，随机分为动态策略组和标准阶梯方案组。动态组每3个月根据眼轴增长速率调整干预参数，若增速>0.2mm/3月则升级阿托品浓度或离焦量，若≤0.05mm/3月则尝试降阶。12个月时，动态组眼轴增长为0.19±0.08mm，标准组为0.28±0.10mm（p<0.01），且动态组畏光、视近困难等不良反应发生率显著降低。 该框架为近视精准防控提供了新范式，未来可整合更多生物标志物（如巩膜力学参数、分子遗传风险评分）进一步优化决策。这一突破也推动了视光中心从经验性处方向数据驱动的智能决策转型。