近年来，青少年近视防控已上升为国家战略，联合干预策略成为临床研究焦点，其中角膜塑形镜与低浓度阿托品联用的协同效果备受关注，但个体应答差异大，亟需精准预测工具。AI算法在多模态时序数据融合方面展现出独特优势，有望为联合干预的疗效预判与方案优化提供新思路。
一项多中心真实世界研究纳入了1200名8-14岁近视儿童，平均随访24个月，所有患者均接受角膜塑形镜联合0.01%阿托品治疗。研究收集了基线和随访中的眼轴长度、屈光度、角膜地形图参数、泪膜稳定性、调节功能及用眼行为等多项指标。传统统计方法难以捕捉众多变量间的复杂时序交互，而深度学习模型，尤其是融合了卷积神经网络与长短期记忆网络的时空混合架构，能够有效提取多模态数据的时序特征，预测6个月、12个月和24个月的眼轴增长速率，AUC分别达到0.89、0.87和0.85，显著优于单一指标阈值法（如基线年龄、初始眼轴等）。
进一步，研究团队利用SHAP值对模型进行解释，发现基线眼轴长度、初始角膜曲率、瞳孔直径、调节滞后量以及日均近距离用眼时长是影响联合干预效果的关键因素。值得注意的是，泪膜破裂时间和角膜塑形镜配适状态在预测长期效果中权重逐渐增加，提示泪膜稳定性与镜片定位对近视控制的重要作用。基于这些发现，算法可对患者进行分层，识别出联合干预高获益人群和潜在低应答者，并提供调整建议，如优化镜片设计、强化视觉训练、调整阿托品浓度或用药频率。
在临床验证中，采用AI辅助决策的亚组与常规经验管理组相比，24个月眼轴增长平均减少0.18 mm，差异有统计学意义。这一结果初步表明，AI驱动的个体化预测可提升联合干预的精准性。目前，相关算法正尝试与电子病历系统和可穿戴设备数据打通，构建实时预警与动态调整的闭环管理平台。
AI算法在角膜塑形镜联合阿托品干预效果预测中的应用，不仅有助于临床医生制定更具针对性的方案，也为青少年近视防控的精细化管理提供了新的技术支撑。未来，随着更多高质量数据的积累和多中心协作的深入，基于AI的决策支持系统有望成为视光中心与眼科门诊的标配工具，为近视防控事业注入新动能。
