近年来，青少年近视防控已上升为国家战略，政策密集出台，筛查常态化、干预规范化成为主旋律。然而，在实际推进中，校园筛查数据质量参差不齐、利用率低，干预措施选择缺乏个体化依据等问题依然突出。如何打通从筛查到干预的闭环？AI技术能否真正落地于基层防控场景？带着这些问题，我们专访了著名眼科与视光专家郑教授。
**问：郑教授您好，当前校园近视筛查已经普遍开展，但数据应用似乎仍是短板。您如何看待这个问题？**
郑教授：确实，筛查是第一步，但绝不是终点。目前很多地区的筛查数据仅用于统计患病率，未能发挥指导个体干预和评估防控效果的作用。核心问题在于数据标准化和联通性不足。例如，视力检查、电脑验光、眼轴测量等数据散落在不同表格中，学校、医疗机构、疾控部门之间缺乏有效流转机制，导致数据沉睡。
我们团队在部分省市试点建设了“儿童青少年眼健康数据平台”，统一数据采集标准，包含裸眼视力、矫正视力、屈光度、眼轴长度、角膜曲率等核心参数，并建立唯一ID进行纵向追踪。平台自动生成个体化预警报告和群体趋势分析，指导学校改善视觉环境，同时为高风险学生转诊提供依据。例如，某市平台运行一年后，筛查数据完整率从62%提升至93%，转诊率提高40%，初步实现了从“筛而不治”到“筛防结合”的转变。
**问：您提到AI大模型，它在近视防控中有哪些具体应用前景？**
郑教授：AI大模型正在重塑眼健康管理模式。在筛查环节，基于深度学习的眼底图像分析可以自动识别豹纹状眼底、视盘倾斜等近视相关眼底改变，辅助判断病理性近视风险。更重要的是，AI可以融合多模态数据——包括屈光档案、眼轴增长速度、遗传信息、用眼行为监测等，构建个体化近视进展预测模型。
我们研发的“近视风险智能评估系统”已积累超10万例纵向数据，模型预测2年内近视发生的AUC达0.89，预测快速进展的敏感度为85%。基于风险分层，系统会推荐不同的管理方案：低风险儿童以行为干预为主，中风险增加户外活动时长和光照监测，高风险则建议角膜塑形镜或低浓度阿托品等医疗干预，并加密随访频次。这种“数据驱动、精准分层”的模式极大提升了防控效率，也避免了过度医疗。
**问：在技术落地上，视光中心和基层医疗机构面临哪些挑战？**
郑教授：最大的挑战是标准化和人才。AI模型需要高质量标注数据训练，不同设备、不同操作者会导致数据异质性，影响模型泛化能力。我们正在推动制定《儿童青少年近视筛查数据采集与质量控制规范》团体标准，从源头保障数据质量。同时，基层视光师和校医缺乏AI工具使用和数据解读能力，因此必须加强继续教育和数字化技能培训。
另外，AI大模型的伦理和合规问题不容忽视。涉及儿童健康数据，必须严格遵循隐私保护法规，建立数据脱敏和授权使用机制。算法偏见也要防范，模型需在不同地区、不同种族人群中验证。我们倡导建立透明、可解释的AI辅助决策流程，AI提供建议，但最终由医生结合临床判断决定干预方案。
**问：展望未来，您认为构建近视精准防控闭环的关键是什么？**
郑教授：关键在于“数据-技术-服务”三者的深度融合。数据是基础，要建立全生命周期的眼健康档案，并实现跨机构共享；技术是引擎，AI大模型、可穿戴设备、数字疗法等将提供个性化工具；服务是载体，视光中心需要转型为眼健康管理平台，提供从筛查、评估、干预到随访的一站式服务。政策层面，应鼓励多方参与，形成政府主导、学校主体、专业机构支撑、家庭配合的协同网络。
我相信，随着校园筛查数据治理的完善和AI大模型在真实世界的不断验证，一个基于循证和个体化的近视精准防控闭环将逐步形成，为孩子们的光明未来保驾护航。
