临床隐形眼镜不适(Contact Lens Discomfort, CLD)预测模型(Structural Equation Modeling, SEM; LASSO Logistic Regression)的建立与验证

《Contact Lens and Anterior Eye》：Development of a model for the clinical prediction of contact lens discomfort

　　

目的：评估眼部和接触镜(Contact Lens, CL)相关维度及其交互作用对接触镜不适(Contact Lens Discomfort, CLD)的贡献，并确定用于CLD评估的临床参数组合。方法：对连续就诊的CL配戴者进行横断面研究。变量分为六个维度——个人因素、CL特征、症状、角膜与结膜、泪膜、睑缘与睑板腺(Meibomian Glands)。各维度内通过混合数据类型的主成分分析(Principal Component Analysis, PCA)生成复合指数(0–100)。采用结构方程模型(Structural Equation Modeling, SEM)定义潜变量"CLD"，随后进行无监督系统聚类(Hierarchical Agglomerative Clustering)。使用最小绝对收缩和选择算子(Least Absolute Shrinkage and Selection Operator, LASSO)正则化逻辑回归模型按80/20训练–验证集划分预测聚类归属，并建立简化临床模型。结果：纳入150例CL配戴者(97名女性；34.4 ± 12.6岁)。SEM显示CL维度与症状维度对潜变量CLD贡献最大。聚类得到两种表型，在年龄、CL类型与更换周期、每日配戴时长、症状严重程度及部分眼表参数上存在差异(p ≤ 0.043)。简化预测模型(每日配戴时长、CL更换周期、Contact Lens Dry Eye Questionnaire-8[CLDEQ-8]、非侵入性泪膜破裂时间[Non-Invasive Break-Up Time, NIBUT]和上睑结膜充血[Tarsal Hyperemia])预测CLD表型的准确率为85%，验证集曲线下面积(Area Under the Curve, AUC)为0.956。结论：将CLD建模为整合主观与客观测量的多维潜变量可识别具临床意义的表型，并支持开发判别能力优异的简易分类工具。

论文解读：《Development of a model for the clinical prediction of contact lens discomfort》发表于《Contact Lens and Anterior Eye》

研究背景与立题依据

接触镜不适(Contact Lens Discomfort, CLD)是隐形眼镜配戴者停戴的主要原因之一，其具有多因素、发作性特点且缺乏统一的客观测量标准。既往研究表明，有症状与无症状配戴者在眼表体征上往往无显著差异，主观症状与客观临床体征相关性较弱，单一指标预测价值有限。虽然已有研究尝试建立复合评分或应用问卷（如CLDEQ-8、CLDI），但多偏重主观症状而忽视生理因素，或未系统整合镜片相关习惯、个人因素及多维度眼表检查。因此，有必要将CLD视为一个不可直接观测的潜变量(Latent Construct)，综合运用高级统计方法整合主观与客观多维信息，筛选最具判别力的临床参数用于日常诊疗。Valencia-Nieto L等人开展此项横断面研究，旨在明确各维度对CLD的贡献并构建简化的临床预测模型。

主要技术方法概要

研究人员于西班牙巴利亚多利德大学眼科研究所开展单中心横断面观察研究，纳入150例软性或硬性透气性角膜接触镜配戴者（配戴史≥1年，排除巩膜镜、塑形镜及多焦点设计）。采集六大维度参数：个人因素、接触镜(CL)特征、症状（含CLDEQ-8、CLDI、不适感与干涩视觉模拟量表VAS、舒适配戴时长）、角膜与结膜（Efron与CCLRU分级、LIPCOF、荧光素/丽丝胺绿染色、睑拭上皮病变LWE）、泪膜（OCT泪河高度TMH、NIBUT、脂质层厚度LLT、FBUT、无麻醉Schirmer试验）、睑缘与睑板腺（meiboscale缺失度、分泌物质量与挤出性）。分析流程分五阶段：①各维度混合数据主成分分析(PCA)生成≥75%累积方差解释的加权复合指数(0–100归一化)；②基于六维复合指数的探索性因子分析与结构方程模型(SEM)定义潜变量CLD并评估拟合度；③基于归一化复合指数做Ward法系统聚类确定最优簇数(k=2)；④以簇成员为因变量，通过LASSO(L₁惩罚)逻辑回归筛选预测变量并建全模型(80%训练/20%验证)；⑤导出最少参数的简化临床预测模型并评估效能。

研究结果

3.1. Phase 1: Principal Component Analysis（主成分分析）

各维度经混合数据PCA降维，保留解释累计方差≥75%的主成分并加权合成0–100归一化复合指数，消除原始变量重叠冗余，为后续SEM提供输入变量。

3.2. Phase 2: Structural Equation Models（结构方程模型）

探索性因子分析保留3个因子，修正后SEM拟合优度极佳(χ²/df=0.71, RMSEA=0, CFI=1, NNFI=1.05)。Factor 2（载荷CL特征与症状维度）对潜变量CLD贡献最大(载荷85.67)，表明镜片相关因素联合主观症状构成CLD的核心内涵，其余两因子贡献较小。

3.3. Phase 3: Hierarchical Agglomerative Clustering Analysis（系统聚类分析）

基于六维复合指数识别出Cluster 1(n=70)与Cluster 2(n=80)。Cluster 2表现为更长的每日配戴时长(含数码设备使用)、更低频更换或传统更换周期、更高CLDEQ-8评分、更低NIBUT、更高LIPCOF及睑缘改变比例，被判定为CLD表型(p≤0.043)。证实仅凭症状问卷不足以区分，需结合客观体征与配戴习惯。

3.4. Phase 4: Development of a Classification Model（分类模型建立）

LASSO逻辑回归(λ=0.03284)从全变量集中筛选保留15个预测因子（含年龄、全身疾病、每日配戴时长、CL类型与更换周期、CLDEQ-8、NIBUT、睑结膜充血、泪河高度、脂质层厚度、睑缘不规则/毛细血管扩张、睑板腺分泌质量）。全模型验证集准确率98.73%，AUC=0.934。

3.5. Phase 5: Clinical Application of the Outcomes of the Classification Model（简化临床模型）

为便于临床应用，保留5个最简预测变量——每日配戴时长(hours/day of CL wear)、CL更换周期（频繁更换为参照组，即双周/月/季 vs 日抛/传统）、CLDEQ-8评分、NIBUT(s)、上睑结膜充血(Tarsal Hyperemia, CCLRU 1–4级)。简化模型验证集准确率85%，AUC=0.956，判别力接近全模型，并提供Excel计算器将线性预测值转为CLD表型归属概率。

讨论与结论总结

本研究首次在统一潜变量框架下用SEM整合个人因素、CL配戴特征、专用症状量表及全面眼表检查来评估CLD。SEM显示CL特征与症状维度联合对CLD贡献最强，印证长时间配戴（尤其伴数码设备使用致瞬目减少）及主观不适的核心地位，同时其他维度亦有贡献，支持CLD的多维本质。无监督聚类产生具临床异质性的两类表型，提示结合主客观参数优于单纯问卷筛查。简化5参数模型(NIBUT、CLDEQ-8、每日配戴时长、更换周期、上睑结膜充血)维持优秀判别力(AUC=0.956)，适合门诊快速初筛高危CLD配戴者并指导随访干预。作者指出横断面设计无法推断因果、单中心样本限制外推性及自报配戴时间可能存在回忆偏倚，模型尚需独立队列外部验证与校准。

结论（翻译）：

将CLD概念化为整合主观与客观测量的多维潜变量，可识别出具临床意义的表型，并支持开发判别能力优异的简易分类工具用于临床决策与研究基准设定；下一步需在独立前瞻性队列中进行外部验证以实现广泛推广。