在青少年近视防控的光学干预中，离焦镜片、角膜塑形镜和多焦点软镜的疗效存在显著的个体差异。传统评估多依赖基线的屈光度、眼轴长度和年龄等静态因素，难以捕捉干预过程中的动态变化和复杂交互，导致部分儿童应答不佳却缺乏及时的方案调整依据。近年来，多模态时序融合框架的兴起，为解决这一临床痛点提供了新的算法路径。
该框架整合了干预前及干预后多个时间点的多维度数据，包括眼轴长度的时序测量、角膜地形图的动态演变、眼底OCT影像的脉络膜厚度变化，以及可穿戴设备记录的环境光照和用眼行为特征。与传统的单一模态或单时间点分析不同，该算法通过**时序注意力机制**动态分配不同时间点和模态的权重，从而识别与长期应答密切相关的关键窗口和特征组合。
例如，一项基于真实世界数据的回顾性研究纳入了1200名接受离焦镜片干预的儿童，每3个月随访一次至12个月。算法揭示了干预后3个月时脉络膜厚度变化与眼轴增长速率的联合动态，是预测12个月疗效的关键因素，其预测AUC达0.88，显著优于仅用基线数据的模型（AUC=0.75）。这提示早期脉络膜反应可作为个体应答的敏感指标。
此外，该框架还可结合**因果发现模块**，利用结构方程模型或do-calculus，从观测数据中推测光学干预、视觉行为与眼轴增长之间的因果路径，避免将相关关系误认为因果，从而为个体化方案调整提供更可靠的决策依据。
为了在临床落地，可采用**轻量级时序模型**如TimeSformer或Informer的简化版，部署在本地视光中心服务器，保护数据隐私的同时实现快速推演。视光师可在随访时输入新数据，获取下一阶段不同干预措施（如继续原方案、更换设计或联合低浓度阿托品）的预期效果概率分布，实现**动态治疗计划优化**。
这种基于多模态时序融合的AI算法，正推动近视光学干预从“一刀切”向“自适应、个体化”的精准范式转变。未来，随着更多高质量纵向队列的积累和算法的迭代，有望为每位近视儿童绘制专属的“干预-反应”曲线，最大化长期防控效果。