近年来，青少年近视防控已上升为国家战略，政策密集出台推动校园筛查成为常态。2024年教育部联合卫健委更新《儿童青少年近视防控适宜技术指南》，明确要求每学年不少于2次视力监测，并建立电子屈光发育档案。在此背景下，各地视光中心与教育系统深度协同，以上海为例，全市400余所中小学已实现筛查数据实时上传至区域眼健康平台，累计建档超120万份，筛查覆盖率提升至98%。
然而，常态化的校园筛查仍面临效率与准确性的双重挑战。传统人工灯箱视力表配合手持验光仪的模式，单校千名学生需耗时3天，且受环境光线、学生配合度影响，假性近视误判率高达15%。AI技术的引入正破解这一困局。以中山大学中山眼科中心研发的“AI眼底筛查一体机”为例，通过基于深度学习的眼底图像分析，可在30秒内完成屈光不正、斜视、先天性白内障等12类常见眼病初筛，敏感度达93%，已在广东、云南等地基层学校试点部署。同时，便携式自动验光仪与AI云平台的结合，使筛查流程标准化：学生自助检测，数据自动上传、智能分析，并生成分级预警，极大释放了校医人力。
筛查数据若仅止于统计，则难以转化为干预实效。当前，打通筛查与临床干预的闭环成为焦点。视光中心下沉社区，与校园筛查无缝对接：初筛异常的学生通过绿色通道转诊，进行睫状肌麻痹验光、角膜地形图等精查，确诊近视后，依据《近视管理白皮书》共识，提供角膜塑形镜、多焦软镜、低浓度阿托品等个性化干预方案。例如，温州医科大学附属眼视光医院在瓯海区打造的“校园筛查-社区视光中心-医院专科”三级网络，使高达82%的学生在初筛后一个月内完成了复诊干预，显著延缓慢病进展。
值得关注的是，AI不仅提升筛查端效率，更贯穿全生命周期管理。基于海量档案数据，机器学习模型可预测近视发生风险与进展曲线，辅助制定干预窗口期。如北京同仁医院团队开发的“儿童近视风险预测系统”，综合遗传、用眼行为、屈光参数等，预警准确率超85%。这类工具使家长、医生从被动监测转为主动防控。
展望未来，随着5G、边缘计算与AI的深度融合，校园筛查将从“周期性检测”进化为“实时性监测”，结合智能穿戴设备采集用眼距离、光照时长，构建多维度眼健康画像。视光行业的数字化转型，正以校园为原点，织就一张覆盖预防、筛查、诊疗、康复的智慧网络，真正实现儿童近视防控的关口前移与全程闭环管理。
