AI算法驱动的角膜塑形镜长期安全性监测：从多源随访数据到智能预警的闭环

角膜塑形镜（OK镜）作为青少年近视防控的主流光学干预手段，其长期安全性始终是临床关注的核心。传统安全性监测依赖定期门诊复查和患者主诉，存在数据碎片化、延迟发现等问题。近年来，AI算法正在重塑这一范式，通过整合多源随访数据（如角膜地形图、裂隙灯图像、眼压、泪膜指标、患者问卷等），构建智能预警模型，实现从被动应对到主动干预的转变。  以角膜点染这一常见并发症为例，AI算法可基于时序角膜地形图与裂隙灯图像，自动量化点染范围与深度，并结合泪膜破裂时间、镜片配适状态等参数，预测点染进展风险。一项多中心研究显示，基于卷积神经网络（CNN）和长短期记忆网络（LSTM）融合的模型，对显著角膜点染的预测AUC达0.91，较传统临床评分提前2周发出预警信号。这使得医生能及时调整镜片参数或建议停戴，避免角膜感染等严重不良事件。 此外，AI算法在镜片偏心、角膜厚度变化等长期安全性指标的监测中也展现出潜力。通过分析OCT和角膜地形图数据，算法可以识别亚临床变化趋势，例如角膜厚度年均变化超过正常范围，提示镜片配适过紧或眼压影响。结合可穿戴设备采集的眼部揉搓频率、睡眠姿势等行为数据，模型可进一步个性化评估风险。例如，某智能监测系统融合了智能手环的睡眠数据和主观舒适度评分，将角膜浸润的预测灵敏度提升至93%。 随着OK镜验配量激增，AI驱动的安全性监测不仅减轻了临床随访负担，更通过标准化和自动化提升了数据利用效率。未来，集成在视光中心或医院信息系统中的AI预警模块，将成为OK镜全周期管理的标配，让更多近视儿童在安全的前提下受益于这项有效技术。