南印度与美国中西部人群白内障手术中人工晶体屈光预测准确性及A常数优化的对比研究

本研究针对白内障手术中人工晶体(IOL)屈光预测公式在不同人群中的适用性问题，比较了南印度与美国中西部患者的临床特征及7种IOL计算公式（包括机器学习算法）的预测准确性。结果显示两地人群存在显著生物统计学差异，机器学习算法(Nallasamy和Pearl-DGS)在优化前后均表现最优，为跨人群IOL公式优化提供了重要依据。

　　

白内障是全球致盲的首要原因，每年有数亿患者需要通过手术置换混浊的晶状体。然而，术后屈光误差仍是影响视力恢复的关键问题——这很大程度上取决于人工晶体(IOL)功率计算的准确性。尽管现有计算公式层出不穷，从基于几何光学的SRK/T、Barrett到采用机器学习的Nallasamy算法，但不同人群的眼球生物特征差异（如轴向长度、角膜曲率等）可能导致公式预测效果出现显著偏差。这种"水土不服"现象在发展中国家尤为突出：数据显示低收入国家术后视力达标率最低仅29.9%，其中屈光误差是主要影响因素之一。

为破解这一难题，密歇根大学凯洛格眼科中心与印度Aravind眼科医院联合开展了一项跨越两大洲的研究。团队收集了985例南印度患者和1003例美国中西部患者的术前生物测量数据（包括前房深度ACD、轴向长度AL、角膜厚度CCT等），对比分析了7种IOL公式在SN60WF晶体植入术后的预测表现。研究特别关注了机器学习算法与传统光学公式的差异，并通过A常数优化探索提升跨人群适用性的方法。

关键技术方法包括：使用Lenstar LS900光学生物测量仪采集两地患者数据；应用Barrett、Haigis等5种传统公式与Nallasamy、Pearl-DGS两种机器学习算法进行屈光预测；采用70%-30%数据集分割进行A常数优化和模型验证；通过平均绝对误差(MAE)、0.5D内准确率等指标评估性能。

临床与生物特征差异
数据显示南印度患者更年轻（60.5±9.5岁 vs 70.7±9.5岁），具有更短的轴向长度（23.19 mm vs 24.15 mm）、更薄的晶体（4.24 mm vs 4.53 mm）和更高的角膜曲率（K1 44.20 D vs 43.44 D）。研究者认为这些差异可能与紫外线暴露、营养状况等环境因素相关。

公式性能比较
在未优化状态下，机器学习公式即展现优势：Nallasamy在南印度数据集的0.25D误差内准确率达57.36%，Pearl-DGS为57.87%，显著高于传统公式。经过A常数优化后，SRK/T公式提升幅度最大（+11.23%），但Nallasamy仍以63.18%的准确率保持领先。值得注意的是，所有公式在南印度人群的表现均优于美国中西部，这可能与后者更广泛的AL分布（标准差1.35 mm vs 0.94 mm）相关。

优化效果分析
A常数优化使所有公式的MAE降低0.02-0.07D，其中HofferQ改善最显著（MAE从0.36降至0.29）。但机器学习公式展现出更强的先天适应性：Nallasamy优化前后的MAE仅从0.25降至0.23，说明其算法本身已能较好捕捉人群差异。

这项发表于《BMC Ophthalmology》的研究揭示：IOL公式的"通用性"仍存在明显局限，特别是对轴向长度变异较大的人群。机器学习算法通过数据驱动模式展现出更好的跨人群迁移能力，但其"黑箱"特性也带来解释性挑战。研究者建议，未来公式开发应整合更多人口学特征，并通过持续学习机制适应不同地域的生物特征差异。这对于提升全球白内障手术质量，尤其是医疗资源不均地区的手术预后具有重要实践意义。