近年来，儿童青少年近视防控已上升为国家战略，但临床实践中仍面临两大挑战：一是如何实时、精准地捕捉近视进展的早期信号，二是如何根据个体差异制定动态的干预方案。眼轴长度是近视进展的黄金指标，但传统测量依赖诊室设备，难以实现高频、连续的监测。近期，一项基于可穿戴光学相干断层扫描（OCT）设备联合人工智能（AI）预测模型的研究，为这一难题提供了突破性解决方案。
该研究团队开发了一种轻量化的可穿戴OCT装置，可佩戴于眼镜框架上，在自然用眼状态下非侵入性地获取黄斑区及视盘周围的高分辨率视网膜图像，并自动计算眼轴长度、脉络膜厚度等关键参数。通过内嵌的AI算法，设备能够识别昼夜节律变化和用眼行为对眼球结构的即时影响，从而生成动态的眼轴生长轨迹。在此基础上，研究者构建了基于长短期记忆网络（LSTM）的预测模型，整合了眼轴历史数据、年龄、屈光状态、户外活动时长及近距离用眼负荷等多维变量，实现了对个体未来6个月近视进展风险的精准预测。
在一项纳入120名8-12岁儿童的试点队列中，该模型对快速进展者（年眼轴增长>0.36mm）的识别准确率达到91.7%，显著优于传统基于单次测量的回归模型。更重要的是，系统可根据预测结果自动推荐个性化的干预策略，例如调整角膜塑形镜的佩戴方案、增加户外活动时间或启动低浓度阿托品治疗，并在随访中动态优化。
这一突破的意义在于，它使近视管理从“被动、间断”的模式转向“主动、连续”的闭环。可穿戴OCT提供了前所未有的时效性数据，而AI算法将数据转化为临床决策支持，有望大幅提升防控效率，减轻家庭与社会的经济负担。随着设备的小型化和成本的降低，未来该技术有望在基层视光中心和家庭场景中普及，成为儿童近视精准防控的重要基础设施。
此外，该研究也为视光中心的数字化转型提供了新思路：通过物联网连接可穿戴设备、电子健康档案和AI辅助决策系统，构建全生命周期的眼健康管理平台，不仅适用于近视防控，还能拓展至青光眼、糖尿病视网膜病变等慢性眼病的远程监测。
当然，可穿戴OCT的长期佩戴舒适性、数据标准化以及AI模型的泛化能力仍需更大规模的验证。但这一方向无疑代表了未来眼科与视光技术融合的前沿，值得行业高度关注。
