原发性闭角型青光眼患者人工晶状体度数计算公式的准确性研究：基于眼轴长度和前房深度的多公式比较

本研究针对原发性闭角型青光眼(PACG)患者人工晶状体(IOL)度数计算难题，系统评估了Kane、EVO 2.0、Barrett Universal II(BUII)等7种公式在不同眼轴长度(AL)和前房深度(ACD)条件下的预测准确性。研究发现PACG患者尤其是AL<22 mm且ACD<2.5 mm的亚组预测误差显著增大，SRK/T和Haigis公式表现最优。该研究为PACG患者个性化IOL选择提供了重要循证依据。

　　

在全球范围内，青光眼患者数量正呈爆发式增长，其中原发性闭角型青光眼(PACG)在亚洲人群中的发病率尤为突出。这类患者往往伴随着独特的眼部解剖特征——短眼轴长度(AL)和浅前房深度(ACD)，这给白内障手术中人工晶状体(IOL)度数的精确计算带来了巨大挑战。传统计算公式在这些特殊眼球结构面前频频"失灵"，导致术后屈光误差成为困扰眼科医生的难题。

温州医科大学眼视光医院的研究团队在《BMC Ophthalmology》发表了一项开创性研究，他们系统比较了7种主流IOL计算公式在PACG患者中的表现。研究人员采用回顾性病例系列研究设计，纳入了116例接受白内障手术的眼睛（66例PACG和50例对照），通过IOL Master 500进行生物测量，评估了Kane、EVO 2.0、Barrett Universal II(BUII)、SRK/T、Haigis、Holladay 2和Hoffer Q公式的预测准确性。主要观察指标包括平均预测误差(ME)、平均绝对屈光误差(MAE)和中位数绝对屈光误差(MedAE)，同时计算了术后屈光误差在±0.25D至±1.00D范围内的比例。

研究结果显示，PACG组的MAE和MedAE显著高于对照组。特别值得注意的是，不同公式在PACG患者中呈现出明显的偏差模式：BUII公式倾向于产生负性残余屈光误差，而Kane、EVO和Holladay 2公式则多导致正性偏差。在众多公式中，SRK/T和Haigis展现出最佳的ME预测性能。

当研究人员按AL和ACD进行亚组分析时，发现了更富临床意义的规律。AL<22 mm或ACD<2.5 mm的PACG患者，其IOL度数预测准确性显著降低。最具挑战性的是同时具备短AL和浅ACD特征的患者，这一亚组在所有公式中都表现出最低的预测准确性和最高的显著预测误差发生率。

技术方法方面，研究采用标准化的临床数据收集流程，所有手术由同一位经验丰富的青光眼专家完成。使用IOL Master 500进行角膜曲率(Km)、AL、ACD等参数的测量，每种参数重复测量三次取平均值。对于IOL Master 500不支持的Kane和EVO 2.0公式，研究人员通过专用在线计算器手动输入数据。术后屈光结果在手术后≥1个月进行评估，计算预测误差(PE)作为实际与预测球镜等值(SE)的差值。

研究结果部分通过多个维度展开：

"Demographics and biometric characteristics"显示，PACG组与对照组在年龄、角膜曲率等方面无显著差异，但PACG组的AL显著更短(22.37 mm vs 23.33 mm)，ACD显著更浅(2.32 mm vs 2.91 mm)，术前眼压也显著更高(23.32 mmHg vs 12.71 mmHg)。

"Refractive outcomes"部分的数据表明，PACG组在所有公式中的MAE和MedAE均大于对照组。SRK/T和Haigis公式的ME预测性最佳，而BUII公式在PACG组表现出负性术后屈光偏差，Kane、EVO和Holladay 2公式则呈现正性偏差。

"AL-based analysis"揭示，AL<22 mm的PACG眼睛在所有公式中都显示出比AL≥22 mm组更低的预测准确性，且更容易出现大幅度PE(>1.0 D)。Haigis公式在两组中都保持了相对较高的预测准确性。

"ACD-based analysis"则发现，ACD<2.5 mm的眼睛MAE普遍大于ACD≥2.5 mm的眼睛。BUII公式在浅前房眼中倾向于产生负ME，而Kane、EVO和Holladay 2公式则表现为正ME。

研究结论部分强调，这项研究为PACG患者的IOL计算提供了重要循证依据。SRK/T和Haigis公式在浅ACD(≥2.50 mm)病例中表现出优越的预测性，可能成为这类患者的优选公式。同时，研究揭示了AL和ACD对预测准确性的协同影响，特别是AL<22 mm且ACD<2.5 mm的"双重高危"患者群体需要特别关注。这些发现不仅为临床医生选择计算公式提供了指导，也为未来开发针对PACG患者的专用算法奠定了基础。

值得注意的是，研究也指出了当前新一代公式在极端解剖条件下的局限性，这提示单纯增加计算参数可能不足以解决PACG患者的特殊挑战。未来研究需要结合更精确的生物测量技术（如SS-OCT）和人工智能算法，进一步提升这类特殊人群的术后视觉质量。