## 引言
近年来，青少年近视防控已上升为国家战略，政策推动下校园筛查常态化，视光中心数字化升级加速。然而，角膜塑形镜（OK镜）作为有效的光学干预手段，其应答存在显著个体差异，约30%的佩戴者眼轴增长仍较快。如何精准预测应答、优化个体方案成为临床痛点。人工智能（AI）在眼科的应用为此提供了新思路。
## 研究设计
本研究为多中心、回顾性队列研究，数据来源于全国12家视光中心电子病历系统，纳入2019-2023年间验配OK镜的8-14岁近视儿童3256例（6512眼），收集基线及随访12个月的眼轴长度、角膜地形图、屈光度、年龄、性别、父母近视史、户外活动时间等数据。利用长短期记忆网络（LSTM）构建眼轴增长预测模型，以12个月眼轴变化量作为主要终点，将应答良好定义为眼轴增长≤0.2mm/年。模型输入包括基线参数及佩戴后1、3、6个月的眼轴变化趋势。
## 关键结果
模型在内部验证集中曲线下面积（AUC）达到0.87，外部验证集AUC为0.84，显著优于传统线性回归模型（AUC=0.72）。模型识别出三个关键预测因子：基线眼轴/角膜曲率半径比值（AL/CR）、佩戴后3个月眼轴增速、年龄。基于模型预测，将患者分为高、中、低应答组。高应答组12个月眼轴平均增长0.18mm，低应答组为0.35mm。在低应答组的亚组分析中，联合使用低浓度阿托品可降低眼轴增长至0.28mm，提示AI辅助的联合干预决策价值。
## 临床转化与讨论
本研究展示了AI在OK镜应答预测中的可行性，为临床提供定量决策工具。然而，当前模型依赖于高质量随访数据，基层视光中心可能存在数据缺失或测量误差。未来需前瞻性验证，并整合更多维度数据如巩膜生物力学、基因组学等。此外，AI模型的透明度和可解释性需进一步提升，以增强医生和患者信任。
## 未来方向
数字化视光中心的普及为AI应用创造了条件。我们计划开展一项基于AI辅助决策的随机对照试验，比较AI引导的个体化OK镜调整方案与传统方案对眼轴控制的效果，并评估卫生经济学效益。同时，探索将AI预测整合到远程验配平台，促进优质资源下沉，助力近视防控的均质化。
