基于常规儿科眼科检查的机器学习模型预测儿童近视发生风险

本研究针对儿童近视发病率持续攀升的公共卫生问题，开发了基于常规眼科检查数据的机器学习预测模型。以色列Rambam Health Care Campus的研究团队利用2010-2022年间2,437名儿童的7,814次就诊数据，采用随机森林(RF)和梯度提升树(GBT)算法构建了三种预测模型：首次就诊终身风险预测、下次就诊风险预测和一年内风险预测。模型最高达到77%的敏感性和92%的特异性，仅需常规检查中的球镜度、柱镜度等非侵入性参数，无需角膜曲率或眼轴长度等复杂测量。该成果为临床提供了便捷的近视早期筛查工具，发表于《Scientific Reports》。

　　

随着全球近视患病率持续攀升，预计到205年将有半数人口受到近视困扰。近视不仅导致视力障碍，更与白内障、青光眼和视网膜病变等严重眼病风险显著相关。尤其令人担忧的是，近视患者的这些并发症往往比普通人群更早出现。在儿童群体中，近视除了影响生活质量，还会增加未来发生不可逆视力损害的风险。虽然已有行为干预（如增加户外活动）、药物疗法（低浓度阿托品）和光学矫正（角膜塑形镜）等多种防控手段，但如何早期识别高风险儿童仍是临床面临的重大挑战。

以色列Rambam Health Care Campus的研究团队开展了一项创新性研究，通过机器学习技术开发了仅需常规儿科眼科检查数据的近视预测系统。这项发表在《Scientific Reports》的研究突破了传统预测方法依赖复杂生物测量参数的限制，为基层医疗机构提供了实用的筛查工具。

研究人员采用回顾性队列研究设计，主要技术路线包括：1) 数据采集：纳入2010-2022年间7,937名患者的15,162次就诊记录，最终筛选出2,437名至少两次就诊且首次就诊无近视的儿童；2) 特征工程：提取年龄、性别、视力、睫状肌麻痹验光结果等23项常规检查指标，定义球镜等效(SE)≤-0.50 D为近视标准；3) 模型构建：使用随机森林(RF)和梯度提升树(GBT)算法开发三种预测场景模型，并通过10折交叉验证评估性能；4) 特征优化：采用逐步特征消除法精简模型。

模型1：首次就诊终身风险预测

基于患者首次就诊数据预测未来发生近视的可能性。GBT模型表现最优，AUC达0.85，在11%阈值下敏感性77%、特异性78%。特征重要性分析显示年龄、右眼球镜度和左眼球镜度是最具预测力的三个指标。

模型2：下次就诊风险预测

针对每次非近视就诊预测下次就诊时发生近视的概率。该模型在15%阈值下取得54%敏感性和92%特异性，AUC为0.88。值得注意的是，球镜度相关参数在此模型中贡献度显著提升，提示近期屈光变化对短期预测的重要性。

模型3：一年内风险预测

预测未来12个月内发生近视的风险。最优GBT模型AUC为0.85，10%阈值下敏感性56%、特异性91%。与模型2相比，年龄因素的权重重新升高，反映不同时间尺度下预测因子的动态变化。

研究团队通过特征重要性分析发现，常规屈光检查参数（球镜度、柱镜度）在三种模型中均占据主导地位，而病史类变量贡献度较低。通过逐步特征消除，最终模型仅保留12-15个核心变量，在保持预测性能的同时显著提升临床实用性。与既往研究相比，该模型的创新价值在于：1) 仅需基础眼科检查数据，无需昂贵设备；2) 覆盖多种临床预测场景；3) 适用于多民族人群，普适性强。

这项研究为近视防控提供了重要的决策支持工具。临床医生可根据模型预测结果，对高风险儿童及时采取干预措施——如增加户外活动时间、调整用眼习惯或考虑低浓度阿托品预防性治疗。特别是模型1展现的长期预测能力，使在学龄前阶段识别高风险儿童成为可能，为近视防控赢得宝贵时间窗。未来研究可进一步整合遗传因素和环境暴露数据，并在前瞻性研究中验证模型的实时预测效能。

该成果的临床应用将改变目前近视管理被动应对的局面，推动眼科诊疗向预测性、预防性和个性化方向转变，对遏制全球近视流行趋势具有重要公共卫生意义。