眼轴生长轨迹智能预测：从儿童近视大数据到个性化干预决策

近年来，儿童青少年近视防控已上升为国家战略，政策推动与技术评估持续深入。在众多研究方向中，眼轴生长轨迹的精准预测成为连接基础研究与临床干预的关键环节。眼轴长度是近视进展的核心生物指标，其生长模式具有显著的个体差异和年龄依赖性。传统方法仅依据单次测量或简单线性模型进行风险分层，难以满足精准防控需求。 随着大规模纵向队列数据的积累和人工智能算法的进步，基于深度学习的眼轴生长轨迹预测模型取得重要突破。一项纳入超过10万名6-15岁儿童的全国多中心研究显示，利用循环神经网络（RNN）和长短期记忆网络（LSTM）融合基线眼轴长度、角膜曲率、屈光状态、遗传风险评分及环境行为数据，可提前1-3年预测眼轴增长拐点及近视发生风险，曲线下面积（AUC）达到0.92以上。该模型捕捉了非线性、非单调的生长模式，如青春期前的加速与青春期的减速阶段，显著优于传统线性混合模型。 在临床转化方面，该预测系统已整合入视光中心的数字化管理平台，可自动生成个性化干预建议，如调整户外活动时长、启动低浓度阿托品或光学离焦方案。一项多中心随机对照试验的中期分析表明，基于预测模型指导的干预组，与常规随访组相比，近视发生率降低23%，高度近视转化风险降低31%。 此外，该技术还促进了动态监测工具的创新。可穿戴设备如智能眼镜架可连续记录用眼距离、光照暴露和眼动模式，结合每日眼轴测量的家庭OCT设备，实现从“静态筛查”到“动态闭环管理”的演进。 眼轴生长轨迹的智能预测不仅为临床提供了精准的决策支持，也为公共卫生资源配置提供了科学依据。未来，随着多组学数据的融入和模型的持续迭代，个体化近视防控将迈向真正的“预测-预防-个性化”时代。