预测学龄前近视儿童的近视发生及发展情况：一种基于机器学习的算法

《Frontiers in Medicine》：Prediction of myopia onset and shift in premyopic school-aged children: a machine learning-based algorithm

近视高危儿童眼轴参数与机器学习预测模型研究。前瞻性队列研究纳入320名6-12岁近视高危儿童，通过基线及6、12月随访测量屈光度、眼轴长度、角膜曲率及脉络膜厚度等参数，发现49.3%儿童在1年内发展为近视，年屈光度进展-0.695±0.222D，眼轴增长0.356±0.122mm，脉络膜厚度显著减少21.535±9.731μm。机器学习模型（随机森林）预测AUC-ROC达0.963，基线屈光度、家长近视史、脉络膜厚度及年龄为关键预测因子。研究证实机器学习模型可有效识别高危儿童，为个性化干预提供依据。

　　本研究旨在探讨学龄前近视前期儿童的眼部参数变化，并开发基于机器学习的模型，用于预测这些儿童在一年内近视发生及近视进展的风险。通过长期追踪观察，研究团队发现近视前期阶段的儿童存在显著的近视发展趋势，且某些眼部生物参数和遗传因素在预测近视发生和进展中具有重要作用。研究不仅为近视的早期干预提供了科学依据，还为临床医生在近视管理中的决策支持提供了新的工具。

近视已成为全球范围内的重要公共卫生问题，特别是在东亚地区，其患病率持续上升。例如，中国儿童和青少年的近视率从2010年的55.5%增加到2019年的60.1%，而近视发生年龄也显著提前，从12岁降至7岁。这一趋势表明，近视的早期识别和干预变得尤为重要。近视一旦发生，往往会导致更严重的视力损害，包括高度近视及相关并发症，如视网膜脱落、青光眼等。因此，识别那些在近视前期阶段具有较高发展风险的儿童，有助于制定更有效的预防策略。

为了实现这一目标，研究团队采用了“近视前期”这一概念，该概念由国际近视研究所（IMI）于2019年提出。近视前期被定义为屈光状态处于-0.50 D至+0.75 D之间的儿童，这意味着他们虽然尚未被诊断为近视，但已经存在较高的发展风险。研究还指出，近视前期儿童往往没有明显的视觉不适，这使得家长和医生容易忽视其潜在风险。因此，通过科学的方法对近视前期儿童进行风险评估，有助于提前采取干预措施，减少近视的发生和发展。

本研究的样本来自于大连医科大学附属第二医院眼科门诊的6至12岁儿童，共招募了320名参与者。这些儿童在基线和6个月的随访时间点接受了多项眼部参数的测量，包括未矫正视力（logMAR）、睫状肌麻痹后的球镜度数（SE）、眼轴长度（AL）、平均角膜曲率（CC）以及视网膜中心下方脉络膜厚度（SFCT）。研究团队通过多变量分析评估了影响近视发生和进展的潜在预测因素，包括年龄、性别、父母是否有近视史、基线SE、AL、CC、AL/CR比值和SFCT。这些变量的选择基于其在近视发展中的重要性以及在临床实践中的可测量性。

研究结果显示，在12个月的随访期内，共有284名儿童完成了全部观察，其中141名（占49.3%）最终发展为近视。研究发现，这些儿童的眼轴长度平均每年增加0.356毫米，屈光度平均每年下降0.695屈光度。此外，AL/CR比值和SFCT均出现了显著变化，前者从2.986增加到3.029，后者减少了21.535微米。这些数据表明，近视前期阶段的眼部参数存在动态变化，且某些参数的变化可能预示着近视的发生。

为了预测近视的发生，研究团队构建了一个基于机器学习的二分类模型。该模型使用了包括基线SE、SFCT、年龄、父母近视史等在内的多个变量。通过比较多种算法，如逻辑回归（LR）、朴素贝叶斯（NB）、决策树（DT）、支持向量机（SVM）和随机森林（RF），研究团队发现随机森林模型在预测性能上表现最佳，其AUC-ROC值达到了0.963（95%置信区间为0.930至0.997）。这表明该模型具有较高的预测准确性和稳定性，能够有效识别近视发生风险较高的儿童。

除了预测近视发生，研究团队还开发了一个回归模型，用于预测一年后的眼轴长度变化。该模型在训练集上的表现优异，R2值为0.8931，而测试集上的R2值为0.7667，尽管略低，但仍显示出良好的预测能力。模型的均方误差（MSE）、平均绝对误差（MAE）和均方根误差（RMSE）均在可接受范围内，说明该模型在实际应用中具有一定的可行性。

在风险因素分析中，研究发现基线SE是最强的预测因子，其次是父母近视史、SFCT和年龄。这些因素在模型中的重要性排序表明，屈光度的初始状态对近视发展具有决定性影响，而父母是否有近视史则提供了遗传层面的风险信息。此外，SFCT的减少与近视发生密切相关，这可能与脉络膜在眼球发育中的作用有关。脉络膜作为眼球的重要结构，负责为视网膜提供营养和支持，其厚度的变化可能反映了眼球生长和屈光状态变化的动态过程。

研究还指出，虽然年龄和性别在近视发生中具有一定的影响，但这些因素在模型中的预测作用不如基线SE和SFCT显著。这可能是因为年龄和性别在近视发展中的作用较为间接，而基线SE和SFCT则直接反映了眼球的生长状态和屈光趋势。此外，研究团队发现，虽然眼轴长度（AL）在近视管理中具有重要地位，但在本研究中，AL和AL/CR比值并未表现出显著的预测能力。这可能与AL和SE之间的关系在不同人群中存在差异有关，或者是因为AL的变化在近视前期阶段尚未达到临界点。

值得注意的是，本研究在预测模型中并未纳入环境和行为因素，如户外活动时间、近距离用眼时间等。这些因素在其他研究中被证明与近视发生密切相关，但在本研究中，由于测量难度较大以及个体行为的不一致性，研究团队选择将其排除在模型之外。因此，模型的预测结果应被视为基于生物参数和遗传信息的基线风险评估，而不是全面的个体风险预测。在临床应用中，这些预测结果需要结合患者的日常行为和生活方式进行综合判断。

尽管本研究取得了显著成果，但研究团队也承认了一些局限性。首先，该研究是一个单臂队列研究，缺乏对照组，这使得无法直接比较不同屈光状态儿童的眼部参数变化。其次，样本量受限于单一中心的招募，这可能影响研究结果的普适性。此外，由于近视前期儿童的高转换率，模型仅适用于预测12个月内的近视风险，而无法长期预测。最后，研究团队指出，由于缺乏外部验证，模型在非亚洲人群中的应用仍需进一步校准和验证。

总体而言，本研究为近视前期儿童的近视发生和进展提供了科学的预测工具，并揭示了影响近视发展的关键因素。通过结合机器学习技术，研究团队不仅提高了预测的准确性，还为近视的早期干预提供了新的思路。未来的研究可以进一步扩大样本量，纳入更多类型的环境和行为因素，并在不同人群中进行验证，以提高模型的适用性和推广性。此外，结合临床指导和患者教育，可以更有效地将这些预测结果应用于实际的近视防控工作中，从而降低近视的发生率和严重程度。