近年来，近视防控的临床试验已从单一疗法评估迈向多模态、精准化的综合干预研究。尤其在青少年近视率居高不下的背景下，如何将人工智能（AI）预测模型与循证户外干预结合，成为行业探索的新前沿。2025年国际眼科学术会议上，多项报告聚焦于AI辅助的近视预测与个体化处方，其中一个来自亚太地区的多中心临床试验（MYP-ACT研究）引发了广泛讨论。
该研究纳入6-14岁近视前期或低度近视儿童1200名，随机分为三组：常规户外活动建议组、基于AI预测模型的精准户外干预组（通过可穿戴设备监测光暴露并推送个性化户外时长目标），以及联合0.01%阿托品的综合组。主要终点为2年内眼轴长度变化。初步结果显示，精准干预组的眼轴增长较常规组减缓约0.12毫米，而联合组减缓0.18毫米，且安全性指标良好。值得关注的是，AI模型整合了遗传风险评分、基线屈光度、近距离用眼时长及眼底照片的脉络膜厚度参数，其预测效能 AUC 达到0.85以上，优于传统回归模型。
这一发现并非孤例。回溯近年的临床证据，多项研究已证实户外活动时长与近视发生发展的量效关系。2024年《Ophthalmology》发表的一项Meta分析表明，每天额外增加1小时户外暴露，近视风险降低约13%。然而，如何让儿童真正“走出去”是落地难点。MYP-ACT研究的创新之处在于，将AI预测作为一种“行为助推器”：当预测模型提示某个儿童未来6个月近视进展风险＞80%时，系统会通过家长端APP发出定向提醒，并建议增加周末户外活动至3小时/天。这种精准驱动的行为干预，在提升依从性上表现出显著优势，研究期间干预组每日户外时长平均达标率较基线提升45%。
与此同时，围绕户外干预的讨论还延伸至光环境质量。教室光照改造、多焦点软镜联合户外活动等组合策略的临床试验也陆续发布数据。例如，中国一项覆盖12个城市的视光中心标准化建设试点显示，将光环境优化（照度≥500lux，色温4000K）与每日校内户外活动1小时结合，6个月近视转化率较对照学校低7个百分点。这些真实世界证据进一步夯实了“环境—行为”联合干预的可行性。
从临床试验设计角度看，此类研究对终点指标的选择提出了新要求。除了传统睫状肌麻痹验光和眼轴长度，越来越多的方案纳入脉络膜厚度变化、户外暴露量的数字化量化（通过腕表式光传感器）、以及基于AI成像的生物标志物。这些客观、高频的数据有助于缩短试验周期、提高统计效能，也呼应了监管机构对近视角膜塑形镜、低浓度阿托品等产品上市后长期随访数据的要求。
然而，挑战依然存在。AI预测模型的泛化能力受限于训练数据的种族、地域代表性；户外干预的标准化定义尚不统一（有效光照强度、累计时长、频谱构成等）；家长对电子设备监测隐私的顾虑也可能影响入组。此外，成本效益分析仍待进一步完善——一项基于MYP-ACT研究数据的卫生经济学评估初步提示，每避免1例高度近视的发生，AI联合干预的增量成本约为1.2万元，远低于高度近视并发症的终生治疗费用，但这需要更长随访时间的验证。
总体而言，当前的临床试验正在描绘一个“数据驱动、多靶点联合、全程管理”的近视防控新图景。AI眼病筛查与预测模型不再停留于算法竞赛，而是与公共卫生策略深度融合，织就一张更密实的近视防护网。未来的高证据级别研究将聚焦于不同干预措施的序贯或联合效果、从儿童期到青春期的持续获益，以及如何通过政策转化将研究成果写入指南。对于临床医生和研究者，及时关注这些试验动态，将有助于在汹涌的近视浪潮中寻得更有力的循证利器。