编辑推荐：
这篇综述通过系统评价和网络荟萃分析，对比了基于人工智能（AI）的 IOL 屈光度计算公式与传统公式在短眼患者中的准确性。研究发现，Pearl-DGS 公式在短眼中的准确性最高，为临床选择 IOL 公式提供了重要参考。
### 短眼、白内障与人工晶状体计算的挑战
短眼是指眼球前后径较短的情况，通常会导致远视。而白内障则是晶状体部分或完全混浊的疾病。对于短眼轴的白内障患者，远视和白内障会严重影响患者的视力和生活质量。如今人们对生活质量的期望不断提高，老年人群流动性增强，实现术后脱镜成为新的术后指标。虽然光学生物测量技术在临床广泛应用，但特殊情况下预测术后屈光状态仍颇具挑战。
目前白内障超声乳化手术的结果显示，60 - 81% 的患者术后屈光结果能在目标值 ±0.50D 范围内，87 - 97% 在 ±1.00D 范围内。术前生物测量参数（如眼轴长度（AL）、角膜曲率（K）和前房深度（ACD））的准确性，主要依赖于合适公式对有效晶状体位置（ELP）的估计，然而测量误差在偏差中占比不小，分别为 36%、22% 和 42% 。短眼轴白内障患者的屈光准确性更低，屈光预测误差（PE）随远视严重程度增加，这是因为短眼的前段尺寸与眼轴长度不成比例，难以准确计算真实的 ELP。而且短眼轴达到正视所需的更高 IOL 度数，会放大 ELP 的误差。有限的研究表明，短眼轴白内障患者屈光结果的 PE 存在差异，较小的眼内结构和较高的 IOL 度数使他们更容易出现较高的平均绝对误差（MAE）。所以，选择合适度数的 IOL 对帮助这些患者恢复清晰视力至关重要。
白内障手术是全球常见的医疗手术，其成功取决于 IOL 屈光度计算公式的选择和测量眼部尺寸仪器的精度。自 1967 年 Fyodorov 提出初始公式以来，各种计算方法不断涌现。近年来，AI 技术被用于提高 IOL 屈光度计算公式的准确性，如 Kane 公式、Hill - RBF 公式、Pearl - DGS 公式和 Ladas Super Formula 等。
研究方法
- 文献检索：两位研究者检索了截至 2024 年 2 月 PubMed、Embase、Web of Science 和 Cochrane Library 数据库中的文献，使用了特定的检索词筛选相关研究。
- 纳入和排除标准：纳入标准包括年龄 18 岁以上、眼轴长度（AL）<22mm 的患者、成功进行白内障超声乳化手术、至少使用两种 IOL 屈光度计算公式、采用光学方法进行生物测量。排除标准有未使用基于 AI 的公式、有角膜屈光手术史、缺少 PE 在 ±0.50D 和 ±1.00D 范围内的比例数据、存在其他眼部疾病、综述文章、会议摘要或动物实验研究。
- 数据提取和处理：两位研究者独立收集数据并比较结果，提取了研究的基本信息、使用的公式以及 PE 在 ±0.50D 和 ±1.00D 范围内的比例等数据。所有研究使用制造商提供的 IOL 常数或 ULIB 标准化常数，以确保公式间的可比性。
- 质量评估：运用修改后的 QUADAS - 2 工具评估研究质量，从患者选择、指标测试、参考标准、过程和时间四个领域评估偏倚风险。
- 统计分析：分析 PE 在 ±0.50D 和 ±1.00D 范围内的眼比例，评估公式准确性。用卡方检验和 I2 指标评估研究间的统计异质性，根据结果选择固定效应模型或随机效应模型。使用 Review Manager 5.3 和 StataSE 16.0 软件进行网络荟萃分析。同时，通过表面下累积排名曲线（SUCRA）评估每个公式在不同排名的可能性。
研究结果
- 文献筛选：最初从多个数据库检索到 904 篇文章，去除 330 篇重复研究后，574 篇进入筛选阶段。经标题和摘要筛选，45 篇进入全文审查，最终 10 篇符合标准纳入荟萃分析。
- 研究特征：纳入的 10 项研究中，9 项为回顾性病例分析，1 项为前瞻性病例研究，共涉及 756 只眼轴长度均小于 22mm 的眼睛，样本量范围为 16 - 150 只眼。评估的 AI 公式包括 Kane、Hill - RBF 等，传统公式有 SRK/T、Hoffer Q 等。
- 质量评估：使用 QUADAS - 2 检查表评估，发现部分研究在患者选择、参考标准测量方法、随访时间等方面存在问题，但总体 8 项研究质量较高。
- 网络荟萃分析结果
- 网络图：展示了 21 个公式的初始比较，每个点代表一个公式，点的大小反映研究的眼数，线表示公式间的直接比较，线的粗细表示研究数量。
- 统计异质性和不一致性：直接荟萃分析显示异质性较小（I2 = 45.04%，p > 0.05），选择随机效应模型。整体研究一致性较好（p = 0.3864 > 0.05），虽部分研究存在局部不一致，但综合评估后在一致性假设下进行网络荟萃分析。
- 预测差异在 ±0.50D 内：贝叶斯网络荟萃分析显示，在基于 AI 的公式中，Kane（合并 RR = 1.14；95% 可信区间 [Crl]：1.05 - 1.24）和 Pearl - DGS（合并 RR = 1.21；95% Crl：1.09 - 1.34）表现优于 Barrett Universal II 公式。Hill - RBF 1.0、Hill - RBF 2.0、Hill - RBF 3.0 和 Ladas super formula 表现与 Barrett Universal II 公式相当或更优，而 FullMonte IOL 公式表现较差。SUCRA 排名结果显示，Pearl - DGS（92.1%）表现最佳。
- 预测差异在 ±1.00D 内：除 FullMonte IOL 公式（合并相对风险 = 0.89；95% 置信区间：0.83 - 0.95）表现较差外，其余基于 AI 的公式与传统公式无显著差异。SUCRA 排名中，Castrop（95.4%）表现最佳。
- 偏倚风险：通过 Stata v.16.0 软件生成的漏斗图显示，大部分数据点集中在中心，表明研究中存在小样本效应或发表偏倚的可能性较低。
讨论
白内障是全球主要致盲原因之一。与正常眼轴长度人群相比，短眼轴的 IOL 计算公式在预测术后屈光误差方面面临更大挑战，术后 PE 在 ±0.50D 范围内的比例仅为 31 - 75%，远低于正常眼轴患者。随着眼科 AI 技术发展，研究聚焦于前节相关领域，旨在提高 IOL 计算的准确性。
本研究是首次针对眼轴长度小于 22.0mm 眼睛的 AI - IOL 公式精度的网络荟萃分析。研究发现，Haigis、Barrett Universal II 等 5 种公式在两两比较中使用频率最高。通过评估 PE 在 ±0.50D 和 ±1.00D 范围内的情况，Pearl - DGS 是最精确的 AI 公式，Kane 公式也表现出色，优于多数传统公式。
SUCRA 在网络荟萃分析中用于量化和比较不同治疗干预的相对疗效，为临床决策提供依据。本研究中，Pearl - DGS 和 Okulix 在短眼 IOL 屈光度计算中准确性最高，Pearl - DGS 在 ±0.50D 范围内优势明显，Okulix 在两个范围内均排名靠前。
Pearl - DGS 公式于 2017 年提出，采用梯度提升树、正则多元回归和支持向量回归等机器学习技术，输入参数包括 AL、K 等多种眼部参数，其 IOL 常数与第三代公式一致，具有线性输出、无需重新训练等特点，已有研究证实其在短眼轴白内障患者中的高精度。Kane 公式基于理论光学并融合 AI 元素，纳入多种参数进行预测，此前研究也表明其准确性较高。
新一代公式如 Castrop 和 Okulix 在使更多眼睛的 PE 达到 ±0.50D 和 ±1.00D 范围内表现突出。基于 AI 的 Hill - RBF 和 Super Ladas 公式与传统公式相比，无显著统计差异。
本研究存在一定局限性。多数研究为回顾性病例系列，样本量有限可能导致偏倚；纳入文献中 IOL 类型不一致，增加了临床异质性；部分研究使用特定光学测量仪器，其影响需进一步研究；SUCRA 曲线下面积仅作参考，不能代表统计学显著差异。
总体而言，本研究评估了 21 种 IOL 屈光度计算公式的效果。数据表明，对于眼轴长度小于 22.0mm 的白内障患者，基于 AI 的公式，尤其是 Pearl - DGS，在使更多眼睛的 PE 达到 ±0.50D 范围内具有潜力，优于传统公式。这为临床医生提供了指导，对于眼轴长度小于 22mm 的患者，优先选择基于 AI 的公式可提高术后屈光预测准确性，降低二次手术风险。不过，还需更大规模、地理分布更广泛的样本研究，来进一步确认基于 AI 公式的有效性。
