校园筛查的“数据富矿”如何开采？——从标准化采集到AI预警的视光新基建

近年来，教育部持续推进近视防控宣传教育月活动，并更新校园视力筛查标准，旨在筑牢儿童青少年近视防控的第一道防线。然而，尽管筛查覆盖率逐年提升，大量数据却往往被束之高阁，未能有效转化为临床决策和个体干预的依据。如何开采这座“数据富矿”，成为视光行业从粗放式筛查迈向精准化防控的关键。 传统校园筛查多依赖裸眼远视力检测，数据维度单一、质量控制薄弱，难以反映屈光发育的真实轨迹。2024年《全国眼科年会》上，多中心研究指出，仅凭视力表筛查可能漏诊约15%的早期近视儿童，尤其是伴随隐性远视散光的病例。为此，专家共识呼吁推行“结构式筛查”，即整合视力、非睫状肌麻痹下的电脑验光、眼轴长度和角膜曲率等生物测量指标，形成多维基线数据。 以温州市实验小学为例，该校自2023年起引入便携式光学生物测量仪，每学期为学生测量眼轴长度和角膜曲率，数据实时上传至市级视光大数据平台。眼轴增长速率被公认为近视进展的“金标准”，平台内置的AI算法能自动比对同龄标准曲线，预警异常增长个案。据统计，2024年该校近视新发率较上年下降4.2个百分点，基于眼轴预警的早期干预覆盖率达92%。 上述实践背后，是“视光中心社区化”与“人工智能眼科”两大趋势的落地。视光中心不再是孤立的配镜场所，而是作为区域眼健康管理枢纽，承接筛查后的分级管理：低风险儿童由校医或视光师进行行为指导，中高风险者转诊至视光中心接受综合评估，高风险或已近视者则进入临床干预路径，如角膜塑形镜验配或低浓度阿托品方案。 人工智能在筛查数据处理中发挥着“倍增器”作用。基于深度学习模型，可自动识别眼底照片中的近视豹纹状改变、视盘倾斜等特征，结合眼轴、年龄、户外活动时长等参数，预测未来1-2年的近视发生风险，准确率可达85%以上。这类模型已在上海、广州等地的数字化校园筛查中试点，帮助解放了大量专业人力资源，使眼科医生和视光师能专注于高风险人群的复核与干预。 然而，“数据富矿”开采仍面临标准化和隐私保护的双重挑战。不同厂家设备的数据接口不一致，学校、视光中心、医院之间的信息孤岛依然存在。2024-2025年度全国眼科年会视光产业论坛上，视光行业呼吁建立统一的数据互认标准与脱敏共享机制，参照《儿童青少年近视防控公共卫生综合干预指南》，构建“家庭-学校-视光中心-医院”四位一体的健康档案。 展望未来，随着眼轴测量纳入国家基本公共卫生服务学生体检项目的呼声渐高，校园筛查必将从“查视力”进化为“监测屈光发育”。而视光中心与AI技术的深度耦合，将使每一个儿童的屈光档案都被赋予“智慧大脑”，真正实现“早监测、早预警、早干预”的防控闭环。这不仅是技术升级，更是视光行业向全生命周期眼健康管理迈进的必经之路。