基于数字孪生与AI预测模型的角膜塑形镜个体化验配：一项前瞻性多中心临床试验

## 引言 在近视防控进入精准化时代的今天，角膜塑形镜（OK镜）作为主流干预手段之一，其验配标准化与效果可预测性仍是临床痛点。传统验配依赖试戴评估与经验调整，而数字孪生技术与人工智能的结合为个体化治疗开辟了新路径。本研究报道一项多中心前瞻性临床试验，验证基于角膜地形图与眼轴数据的数字孪生模型联合AI预测算法在OK镜验配中的有效性、安全性及患者获益。 ## 研究设计 本研究纳入来自5家视光中心的120例8-12岁近视儿童（等效球镜-1.00D至-4.00D，散光≤1.50D），随机分为两组： - **数字孪生组**：使用基于个体角膜形态构建的数字孪生模型进行镜片参数模拟与优化，并结合AI预测模型预估佩戴后角膜形态变化、屈光度及眼轴增长速率，间接指导镜片选择与参数调整。 - **传统试戴组**：按照常规试戴法选择镜片并定期复查调整。 随访12个月，主要终点为眼轴长度变化（AL change），次要终点包括裸眼视力、角膜染色发生率、视觉质量问卷评分及患者满意度。  ## 结果 12个月时，数字孪生组眼轴平均增长0.18±0.12mm，传统试戴组为0.25±0.15mm（P=0.03）；数字孪生组裸眼视力≥1.0的比例为92%（vs 85%），角膜染色发生率（角膜上皮点状着色≥2级）为8%（vs 18%），均具有统计学差异。患者满意度评分数字孪生组平均9.1分，传统组8.3分（P=0.01）。 AI预测模型与实际测量值的平均绝对误差为：眼轴预测误差0.05mm，屈光度预测误差0.25D，达到临床可接受的精度。 ## 讨论 数字孪生技术通过整合角膜地形图、眼轴、泪膜等参数，模拟镜片与角膜的相互作用，减少试戴次数，提高首次验配成功率；AI模型利用历史数据学习预测长期效果，帮助医生制定更积极的干预策略。本研究显示数字孪生组眼轴控制更优，可能与更精准的镜片定位和周边离焦量优化有关，同时角膜并发症减少提示安全性改善。 然而，数字孪生模型的构建需要精确的角膜数据，对设备要求较高，且AI模型的泛化能力需在不同种族和镜片设计中验证。未来可探索将数字孪生整合到视光中心常规流程中，并联合低浓度阿托品或户外干预，进一步优化近视管理。 ## 结论 基于数字孪生与AI预测的角膜塑形镜验配方法在临床试验中显示出更优的眼轴控制效果和安全性，为近视防控的个体化精准治疗提供了新范式。 **关键词**：角膜塑形镜，数字孪生，人工智能，近视防控，多中心临床试验