在青少年近视防控进入精准化阶段的今天，单纯依赖屈光度或眼轴长度等单一指标已难以满足临床对个体化进展预测的需求。近期，一项发表于《眼科学》杂志的研究利用时空图神经网络（Spatio-Temporal Graph Neural Network, ST-GNN）融合了大规模校园筛查数据、眼底影像及遗传风险评分，构建了近视进展的因果路径预测模型。该模型不仅捕捉了近视进展在时间维度上的非线性动态，还通过图结构显式建模了环境暴露（如户外活动时间、近距离用眼强度）与遗传易感性之间的交互作用，其预测精度较传统线性模型提升了42%。
模型的输入包括多次随访的眼底彩照、OCT测量的脉络膜厚度变化、以及全基因组关联研究（GWAS）衍生的多基因风险评分（PRS）。通过图注意力机制，模型自动识别出户外活动时间对脉络膜厚度变化的影响在携带特定风险等位基因的个体中更为显著，这一发现为“基因-环境交互”理论提供了算法层面的证据。在上海一项纳入3200名6-12岁儿童的队列研究中，该算法提前18个月预测快速进展性近视（年进展≥1.0D）的AUC达到0.91，敏感性和特异性分别为88%和86%。
临床转化方面，研究者将该模型集成至视光中心的电子健康记录系统中，根据预测风险自动推荐不同强度的干预组合：低风险人群维持常规户外指导，中风险人群增加低浓度阿托品或周边离焦镜片，高风险人群则建议角膜塑形镜联合药物。这种“算法引导的分级防控”策略在试点地区使高度近视发生率降低了27%。
然而，因果推断的可靠性仍是挑战。尽管ST-GNN能够学习变量间的条件依赖，但未观测混杂因素（如光照模式）可能影响路径解释。为此，研究团队引入工具变量（如学校距离绿地的远近）进行敏感性分析，确保因果效应估计的稳健性。
下一步，团队计划将模型扩展至多中心、多种族人群，并嵌入可穿戴设备采集的实时用眼行为数据，实现从“定期筛查”到“持续监测”的模式转变。
