AI能否预判孩子近视风险？——儿童青少年近视预测模型的系统综述与Meta分析

核心结论

人工智能模型在预判儿童及青少年近视发病方面展现出良好的应用前景。不过，现有证据仍受限于研究间的异质性、潜在偏倚风险以及外部验证匮乏等问题。未来亟需开展高质量、多中心的研究，推动AI预测模型从实验室科研工具迈向临床诊疗与公共卫生实践。

AI用于预测儿童青少年近视的价值，并非取代医生进行诊断，而是将防控关口前移：在儿童尚未出现近视前，结合眼部生物学特征、遗传背景及行为环境数据，提前锁定高风险人群。

近视已成为儿童青少年中普遍且日益严峻的公共卫生挑战。传统防控策略多聚焦于近视发生后的控制，而预测模型的意义在于提前识别未来可能患病的孩子，从而为个性化干预提供科学依据。近年来，人工智能与机器学习技术被应用于融合眼部结构、屈光状态、遗传背景及环境行为等多维信息，以评估近视发病风险。

本研究系统梳理了利用人工智能模型预测儿童青少年近视发病的相关文献，并通过荟萃分析综合评估模型的预测效能。研究重点考察模型的区分能力，如AUC值、灵敏度与特异度，同时评估纳入研究的偏倚风险、验证情况及临床转化的局限性。

总体而言，人工智能模型在儿童青少年近视发病预测中表现出较大潜力，但当前证据仍面临研究样本量不足、模型异质性显著、外部验证缺失及临床应用场景模糊等挑战。因此，未来研究需从单中心建模转向多中心验证，从单纯追求高AUC转向关注模型校准度、可解释性及真实世界适用性。

近视已演变为全球儿童青少年关键的视觉健康议题。随着发病年龄提前，儿童早发性近视增加了未来进展为高度近视及相关眼底病变的风险。目前防控重点多置于近视发生后的控制，但理想策略应是在疾病出现前识别高危儿童。传统风险评估主要依赖：①父母近视史；②户外活动时间；③近距离用眼习惯；④屈光状态；⑤眼轴长度。然而，近视发病受遗传、环境及眼部生物学因素共同作用，单一指标难以精准预测个体风险。人工智能能够整合多维数据，利用机器学习挖掘复杂关联，为近视风险预测开辟新路径。

研究目的

1.AI模型能否有效预测儿童未来近视发病？ 2.不同AI算法的预测性能是否存在差异？ 3.现有预测模型是否具备推广价值？

研究设计

研究类型

研究类型：预测模型系统综述与Meta分析。

核心问题：人工智能模型能否提前预判儿童青少年未来发生近视的风险？

常用指标：AUC、Sensitivity、Specificity、Calibration。

评价工具：PROBAST/PROBAST+AI。

AI模型通常融合：眼部指标：眼轴长度、等效球镜度数等。遗传因素：父母近视状况。行为因素：户外活动、近距离用眼等。输入多维数据后，AI算法学习变量间关系，并输出未来发病概率。

AUC结果及森林图

AUC是预测模型最关键的指标，反映模型区分未来近视儿童与非近视儿童的能力。AUC为0.5时接近随机猜测，0.7-0.8通常认为具备一定预测价值，0.8-0.9代表表现良好，超过0.9则提示区分能力极强。

本文综合结果显示，AI模型整体AUC约为0.85，表明其具有较好的预测效能；最佳模型AUC可达约0.95，说明部分模型在特定数据集上能达到极高的区分度。但最佳模型不等同于最佳临床工具，因为高性能可能受样本