编者按
9月23日至28日，第19届世界近视眼大会（IMC）在中国长沙、三亚两地隆重举行。会上，来自中山大学中山眼科中心的林浩添教授分享了《大数据分析与人工智能近视预防》相关研究。该研究旨在利用大数据分析确定导致近视的关键环境因素，开发智能筛查和预测模型，以预防和控制儿童近视。研究结果表明，学校绿地及其形态因素与学校近视患病率的2年变化之间存在显著相关性。这项工作为改变临床实践、卫生政策制定和针对学龄儿童近视实际控制的精确个体化干预提供了证据。
讲题：《大数据分析与人工智能近视预防》
讲者：中山大学中山眼科中心主任、院长，中山大学中山医学院遗传学与生物医学信息学系主任，中国人工智能学会智慧医疗专委会副主任委员林浩添教授
目的：
利用大数据分析，找出影响儿童近视发生的主要环境因素，建立儿童近视智能筛查模型，为儿童近视的预防和控制提供理论依据。
方法：
该研究分析了来自各种来源的大量数据集，包括面部图像、验光记录、环境数据和生活方式调查。整合了遥感数据以评估学校绿地与学龄儿童近视之间的关联。使用眼部图像和卷积神经网络（CNN）开发了一种智能近视筛查模型。多次就诊记录和先进的机器学习技术被用于开发一种算法，能够预测未来10年内高度近视的发生。
结果：
研究发现，学校绿地（3.6%；95%CI，1.8%-5.5%；p=0.0002）及其形态学因素，包括聚集度（-0.3%；95%CI，-0.5至-0.1；p=0.004）和凝聚度（-0.5%；95%CI，-0.8至-0.2；p=0.004），与学校近视患病率的两年变化之间存在显著相关性。智能筛查模型的曲线下面积（AUC）、敏感性和特异性分别为0.927（95%CI，0.858-0.961）、81.13%（95%CI，76.86%-85.39%）和86.42%（95%CI，82.30%-90.54%）。智能高度近视预测模型在3年（AUC范围：0.940至0.985）和8年（AUC范围：0.801至0.837）内展示了临床可接受的预测精度。
结论：
大数据分析为研究影响近视的环境因素提供了有价值的信息，智能筛选和预测模型为提高中国学龄儿童近视的预防和控制提供了途径。本研究为改变临床实践、卫生政策制定和针对学龄儿童近视实际控制的精确个体化干预提供了证据。
声明：本文仅供医疗卫生专业人士学术交流，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本平台及作者不承担相关责任。
