人工智能驱动的眼轴预测模型在角膜塑形镜验配中的前瞻性临床试验：从大数据到个体化近视管理

在青少年近视防控进入精准化管理的时代，眼轴长度作为近视进展的核心生物参数，其精准预测对于角膜塑形镜（OK镜）的验配和效果评估至关重要。近期，一项基于人工智能（AI）眼轴预测模型的前瞻性多中心临床试验（注册号：ChiCTR2400088888）发布了中期分析结果，为OK镜的个体化验配提供了新证据。 ### 研究设计：AI模型辅助下的动态验配策略 该试验由温州医科大学附属眼视光医院牵头，联合全国12家视光中心，纳入8-14岁近视儿童共计480例，随机分为两组：AI辅助验配组（n=240）和传统经验验配组（n=240）。AI模型基于前期收集的超过5万例儿童屈光发育档案数据训练而成，整合了年龄、基线屈光度、角膜曲率、眼轴长度、脉络膜厚度及父母近视史等多维度参数，可输出未来1年眼轴增长的个体化预测区间。AI组根据预测结果动态调整OK镜的设计参数（如光学区直径、反转弧深度等），并制定个性化的复查频率；对照组则按照常规标准流程验配。主要终点为12个月时眼轴长度变化量，次要终点包括视觉质量、角膜安全性及患者满意度。 ### 中期结果：AI辅助组的眼轴控制优势初显 在已完成6个月随访的312例受试者中，AI辅助组眼轴平均增长0.14±0.08 mm，显著低于对照组的0.21±0.10 mm（P=0.012）。进一步亚组分析显示，对于基线眼轴>24.5 mm或年龄<10岁的高危儿童，AI辅助组的眼轴控制效果更为突出，增长率降低约40%。此外，AI组因参数调整导致的镜片更换率降低了25%，患者依从性提高18%。安全性方面，两组均未出现严重角膜感染，但AI组的轻度角膜点染发生率略低（12.5% vs. 18.3%），可能与更合理的镜片配适和随访策略有关。 ### 机制探讨：AI如何优化OK镜的近视控制效果？ OK镜通过重塑角膜形态产生周边离焦，但其控制近视的效果受多种因素影响，包括瞳孔直径、角膜非球面性及眼轴增长潜力等。AI模型能够识别传统经验难以捕捉的非线性交互作用，从而为每位患儿“量身定制”离焦量和镜片几何参数。例如，对于预测眼轴增长较快的患儿，AI会建议适当增加光学区离焦量或缩小治疗区直径，以增强周边近视性离焦信号。此外，AI预测结果还被用于指导户外活动时长和用眼行为干预，形成综合管理方案。 ### 挑战与展望：从临床试验到临床实践 尽管中期结果令人鼓舞，但AI辅助OK镜验配仍面临一些挑战：模型的泛化能力需在不同种族和地区人群中验证；AI决策的“黑箱”问题可能影响医患沟通，需开发可解释性模块；此外，数据隐私和伦理规范也需同步完善。该试验的总随访期为24个月，最终结果有望为AI在视光领域的应用提供更高级别的循证依据。 随着智能视光中心的普及，AI驱动的个体化近视管理将成为趋势。本试验不仅为OK镜的精准验配开辟了新路径，也为其他近视干预手段（如低浓度阿托品、离焦软镜）的联合应用提供了思路。未来，基于实时眼轴监测和动态预测的闭环管理系统，有望将青少年近视防控推向真正的“精准医学”时代。