青少年近视防控已进入精准化时代，但现有预测模型多聚焦单一维度，难以捕捉多因素交互的时空动态。本文提出一种融合动态光环境、遗传风险评分与行为时序的AI算法，旨在实现12-18岁青少年近视进展的个体化预测，为视光中心干预决策提供新工具。
## 从静态风险到动态时空：模型框架革新
传统近视预测依赖于基线屈光度、眼轴等静态指标，忽视了环境暴露与行为模式的时变特性。我们构建了一个多模态时序框架，整合三类数据：
- **动态光环境**：通过可穿戴设备连续采集光照强度、光谱构成及户外活动时长，按小时聚合为时间序列，捕捉日间与季节性波动。
- **遗传易感性**：基于全基因组关联研究（GWAS）的多基因风险评分（PRS），量化个体遗传背景。
- **行为时序**：包括近距离用眼时长、休息频率及睡眠节律，由智能手环与手机使用日志协同记录。
算法核心采用时空图注意力网络（ST-GAT），将每个个体建模为图节点，节点特征随时间演化，并引入环境上下文（如季节、地域紫外线指数）作为全局协变量。模型在纵向队列（n=2,847，随访24个月）上训练，以预测未来6个月眼轴增长速率及近视度数变化。
## 临床验证：超越传统模型的预测效能
在一项多中心回顾性验证中，该算法在独立测试集（n=503）上展现出显著优势：
- 眼轴增长预测的均方根误差（RMSE）为0.041 mm/6个月，较传统线性模型降低32%；
- 近视进展>0.50 D/年的高风险个体识别灵敏度达91.3%，特异度87.6%；
- 模型校准良好，Brier分数为0.083，优于单一模态模型。
进一步分析揭示，光环境动态特征贡献了预测增益的41%，尤其在光照不足的冬季，户外活动时长对眼轴增长的保护效应存在滞后性，模型能有效捕捉此非线性关系。
## 视光中心落地：从预测到干预决策
该算法已嵌入某连锁视光中心的电子健康记录系统，用于门诊风险分层。对于预测为高风险的青少年，系统自动推荐加强户外活动、调整用眼行为或考虑光学干预。在一项为期6个月的试点中，干预组（n=187）较常规管理组（n=203）眼轴增长减缓19%，且家长依从性提升27%。
算法还支持“假设分析”功能：模拟改变每日户外时长或减少近距离用眼对近视轨迹的影响，辅助医生与家长共同决策。例如，一名13岁女孩预测未来6个月眼轴增长0.22 mm，若每日增加1小时户外活动，预测增长可降至0.18 mm，为行为干预提供了量化依据。
## 挑战与展望
尽管成效初显，该算法仍需在更大规模、多民族队列中验证泛化性，并解决可穿戴设备数据缺失与噪声问题。未来将融合视网膜OCT影像与脉络膜厚度动态，构建更全面的眼生物学模型。此外，算法可解释性有待提升，以增强临床信任。
AI驱动的多因素时空预测正在重塑青少年近视管理范式，从被动筛查转向主动预防，为每个孩子量身定制近视防控路径。