徐梓航,胡媛媛,3,溫 瑩,3,畢宏生,3

0 引言

近視是最常見的屈光不正之一,并已逐漸成為一個嚴重的公共衛(wèi)生問題,影響著全球近30%的人口[1]。隨著屈光不正快速低齡化,近視已成為影響當代和未來人口素質的“國病”,帶來了更多的視力挑戰(zhàn),高度近視增加了視網膜脫離、近視性黃斑變性等病理性眼部病變的風險,這些疾病常常伴隨不可逆轉的視力下降,將導致10億人口患致盲性疾病[2]。同時帶來了巨大的社會經濟負擔,除非目前近視和高度近視發(fā)病率上升的軌跡有所降低,否則由近視導致的直接經濟支出和生產力損失有關的經濟成本將繼續(xù)增長[3]。

目前,近視發(fā)生發(fā)展的機制尚未完全闡明,遺傳和環(huán)境等多種因素對近視發(fā)生發(fā)展的相對重要性一直備受關注,越來越多的研究表明近視主要是由遺傳因素和環(huán)境因素共同造成的[4]。國際近視研究學會在《近視防控研究白皮書》[5]中詳細回顧了關于近視危險因素的科學證據,其中學校教育及戶外時間兩個因素被視為強風險因素且與近視呈現明顯的因果關系,父母近視情況同樣被認為是強風險因素,智商、體育運動、社會經濟情況、城市或農村居住等四個因素是中度影響因素。而屈光度和眼生物學參數是近視發(fā)育進程中的一部分,未被視為近視的危險因素。

隨著我國近視發(fā)病率的不斷攀升,近視的早期篩查、診斷的需求也逐年升高,傳統(tǒng)醫(yī)療手段已難以滿足現實近視群體防控的需要,預測模型為解決這一困境提供了新的思路。在模型建立過程中,研究數據在分析影響因素、識別近視發(fā)生發(fā)展和建模預測結果等方面起著至關重要的作用。而預測因子和預測結局作為模型建立的關鍵性因素,直接決定了模型的準確性和適用范圍,選擇合適的建模因素有助于提高個性化預測水平,但其測量成本和應用價值也是不容忽視的問題。由于研究設計、預測定義和風險特征的差異,很難將現有的預測模型進行直接比較。本文就應用對象、預測因子和預測結局三個方面對近視預測模型研究領域已經取得的諸多成果予以綜述。

1 近視預測模型不同應用對象的比較

根據國家疾控局最新監(jiān)測數據顯示,2022年我國兒童青少年總體近視率為51.9%,其中小學生為36.7%,初中生為71.4%,高中生為81.2%[6]。研究發(fā)現,伴隨著高強度的學校教育,大多數近視會在學齡期發(fā)病,且持續(xù)進展直到青年期。同時,近視在學齡期的進展速度也往往較快,在青春期后期逐漸減緩,并在成年后趨于穩(wěn)定。但在某些情況下,近視會在學齡前就發(fā)生,或者直到成年早期仍在持續(xù)進展[7]。作為近視的主要防控對象,兒童青少年在不同年齡段有不同的眼和視覺發(fā)育特點[8],因此在構建近視預測模型時,在保證預測準確性的基礎上,選擇合適的預測和應用對象,有助于實現精準和個性化預測。

有研究曾提出應當將近視前期兒童作為高危人群,特別是在學齡前兒童或小學低年齡兒童中是非常重要的,這有助于近視的早期預防[9]?？v觀國內外已經建立并有較好性能的預測模型均是基于學齡兒童,而學齡前兒童受眼調節(jié)因素和認知水平的影響,很難獲得準確的屈光數據及良好的預測情況[10]。Zadnik等[9]基于4 512名6-11歲非近視學齡兒童,建立了高度近視發(fā)生的預測模型,結果發(fā)現,隨著基線年齡的增加,ROC曲線下面積(AUC)從0.88提高到0.94,可能是由于該模型對此研究中大齡兒童高度近視預測的準確性增加,使得表現出更好的性能。Sanz Diez等[11]基于中國武漢12 780名5-16歲學齡兒童建立了眼軸長度的百分位曲線,9歲男生和女生的第25百分位數AUC分別為0.781、0.876,而6-9歲男生和女生的第50百分位數AUC分別為0.825、0.875,該研究通過針對不同年齡和性別的兒童青少年進行近視預測并獲得了不同的結果。Zhang等[12]在中國廈門招募了236名小學二年級受試者,其預測3 a近視發(fā)生模型的AUC高達0.974,而在1 979名同年齡段的新加坡兒童(72.5%華人)中進行模型驗證時,僅表現出了AUC為0.815的預測性能,推測可能受居住環(huán)境的影響,該預測模型更適合用于廈門兒童近視預測。此外,種族也被證實是影響模型預測性能的因素之一[13-15]。由此可見,有針對性的進行預測對象的選擇可以一定程度上提高模型的預測性能,但不可避免的是,此類模型的通用性和適用范圍會受樣本年齡范圍相對狹窄等相關因素的限制。同時,高擬合度是優(yōu)秀模型的重要標志,但也需要注意過度追求高擬合度將會導致過擬合的發(fā)生[16]。因此,如何在保證預測性能的基礎上,選擇合適的預測對象并提高模型的通用性和適用范圍應是未來研究的重點方向之一。

2 近視預測模型不同預測因子的比較

在臨床模型中,預測因子的選擇必須始終以臨床相關性判斷為指導,以防止無意義或相關性較低的變量被納入模型。預測因子的選擇應是基于盡量簡化模型的情況下,不損害模型的預測表現,納入過多的預測因子不僅不會對模型的預測性能起到積極作用,反而會提高檢測及數據獲取成本[17]。

總結過去的研究,各預測模型在預測因子的選擇上存在一定的共性,主要分為基于個人參數、生活方式參數、遺傳參數三類。在個人參數方面,屈光數據及眼部生物學參數中蘊含著近視發(fā)生發(fā)展的潛在信息,雖然國際近視研究協(xié)會沒有將基線屈光度和眼部生物學參數作為影響近視發(fā)生發(fā)展的因素[5],但在過去的研究中,這兩種因素一直被報道為近視發(fā)生和進展的危險因素[18],并廣泛用于近視預測。Lin等[19]利用年齡、睫狀肌麻痹后等效球鏡和近視年進展率3個預測因子用于預測未來10 a內高度近視的發(fā)生情況,預測3、5、8 a的模型AUC分別為0.903-0.986、0.875-0.901、0.852-0.888。Zhang等[12]利用眼軸長度、前房深度、晶狀體厚度、玻璃體腔深度和角膜曲率等預測因子及Zadnik等[9]利用睫狀肌麻痹后等效球鏡、眼軸長度、晶狀體厚度、角膜曲率、調節(jié)性集合與調節(jié)的比值(AC/A)、水平或垂直散光大小等預測因子建立的近視發(fā)生預測模型均表現出良好的預測性能(AUC:0.840-0.974)。此外,軸率比(AL/CR)[20-22]、正相對調節(jié)度(PRA)[23]等視覺指標也曾納入預測模型的建立中。值得一提的是,在近視的臨床診斷中,常將睫狀肌麻痹等效球鏡視為近視診斷的金標準[24],可以避免因兒童青少年調節(jié)能力較強導致的屈光數據測量誤差,因此其常被視為近視預測的關鍵因素[9,13,19-21]。但其受醫(yī)生處方權使用的限制[25]及睫狀肌麻痹后不良反應[2]的影響,很難在以人群為基礎的近視群體篩查中使用。因此,基于非睫狀肌麻痹等效球鏡的近視預測模型已經嘗試被建立,Du等[26]對武漢地區(qū)7 410名6-19歲兒童和Guo等[23]對溫州地區(qū)1 073名二、三年級學生建立的預測模型分別表現出AUC為0.735及0.74-0.86的預測性能。因此,建立基于學校的有利于大規(guī)模推廣和普及的近視篩查模型,同時驗證和提升其準確性應是下一步研究的重點內容。

更多的近距離工作時間和更少的戶外活動時間等生活方式參數曾被證實是近視發(fā)生發(fā)展的強風險因素[5,27]。在之前的幾項研究中,生活方式參數也曾被用于近視預測模型的建立和驗證。Yang等[28]利用室內和戶外活動時間,吃白肉、紅肉和雞蛋的頻率,喝碳酸飲料的頻率及脈搏等預測因子建立的6年級兒童近視率預測模型,AUC為0.98,F1分數為0.94。李婷等[29]利用閱讀習慣、吃甜食習慣、睡眠時間和讀書坐姿等預測因子建立評價近視風險的預測模型,表現出AUC為0.719的預測性能。運動習慣[30]、眼保健操[26]、坐姿[23]等生活方式也曾被考慮成為模型建立的預測因子。一項系統(tǒng)綜述[31]表明添加生活方式參數對近視預測模型的影響有限,可能是由于許多環(huán)境影響已經在基線屈光度或近視發(fā)病年齡上有體現。由于尚無有國際公認水準的日常行為記錄方式,上述研究納入的兒童青少年生活方式參數均是通過調查問卷和自評量表收集的。因此,受回憶偏頗的影響,在納入生活方式數據進行模型建立或應用納入生活方式參數預測近視的模型時,應注意相關數據采集的準確性對預測結果的影響。

較多研究證實近視是遺傳和環(huán)境因素相結合的結果[4]。因此,父母近視情況被許多研究視為重要的預測因子之一[9,13-15,20-22,29-30,32-33],究其原因,可能是近視的父母將易患近視的變異基因遺傳給了孩子[5],而在部分模型研究中,母親教育水平[32,34]也被嘗試納入預測模型的建立,也有可能是受到高于平均水平教育的父母傳遞了一種易致近視的生活方式[5]。對近視遺傳基因的研究是近年來研究的熱點話題,MYP1等相關致病基因和基因位點相繼被證實與近視的發(fā)病相關[35],但受檢測成本的和部分醫(yī)療機構資源及設備的限制,尚無預測模型將其納入討論。

3 近視預測模型不同預測結局的比較

近視雖難以治愈,但可防可控。針對處于不同發(fā)育階段的兒童青少年,應該有不同的防控重點。對于遠視和近視臨床前期的兒童青少年應注重預防近視的發(fā)生,減緩近視發(fā)生的進程;對于低度近視的兒童青少年應注意避免發(fā)展成為高度近視[8]。在之前的研究中,預測結局的定義主要分為預測近視發(fā)生和預測近視進展兩類。預測近視發(fā)生模型的結局指標包括預測一定時間內初發(fā)近視的概率,例如預測二年級學生3 a后初發(fā)近視的概率[12]、一至三年級學生2、4 a后初發(fā)近視的概率[20]、一至六年級學生在六年級初發(fā)近視的概率[28]等,也包括預測高度近視發(fā)生的概率,如7-9歲兒童發(fā)生高度近視的概率[14]、7-15歲兒童青少年在18歲時發(fā)生高度近視的概率[21]、6-20歲兒童青少年10 a內發(fā)生高度近視的概率[19]等。而預測近視進展模型的研究目前還處在探索階段,Lin等[19]基于多中心的電子病歷建立的模型,能夠預測6-20歲兒童青少年的球鏡度數和近視進展情況。由此可見,如何能基于預測一定時期內屈光狀態(tài)的前提下,準確預測近視進展情況,將更有利于實現近視的個體化防控。

4 局限與展望

目前,盡管在眾多研究中,近視預測模型的準確度、特異度等都達到了一定水平的高度,但當前所開發(fā)的模型仍存在模型開發(fā)中心單一、跟蹤時間短、適用范圍小等局限性,因此仍面臨著臨床實踐的考驗,將其真正應用于臨床工作還存在著較大距離。未來仍需進一步開展相關研究,以探索應用便捷、便于臨床推廣的預測模型。

首先是預測模型的可重復性和可比性問題,由于研究設計、預測定義、風險特征以及建模數據集的差異,很難將現有的預測模型進行直接比較,且無法驗證現有模型的可重復性。建議在嚴格保護受試者隱私的前提下,建立一個大型的、具有代表性的、真實全面的公開數據集,以用于現有和未來預測模型的外部驗證,增加后續(xù)研究的可重復性和可比性。值得一提的是近視的發(fā)生發(fā)展與多種危險因素長期綜合作用相關,除屈光度、眼軸長度等眼健康指標外,持續(xù)近距離用眼時間、每天戶外活動時間、睡眠情況等用眼行為數據也應被納入預測模型的建立和驗證[36],進一步提高預測的精準性。因此,如何選擇合適的建模因素進行綜合評估和結合還需要更深層次的研究。其次,盡管人工智能具有強大的分析、學習和預測能力,但目前大多數建模方法的訓練過程依賴于建立輸入和輸出結果之間的聯(lián)系,具有黑箱性、不確定性、復雜性以及運行邏輯難以解釋等特性[37],缺乏對建模過程的解釋能力。因此,下一步應對學習過程及決策過程進行拆解,對建模步驟進一步細分,有助于提高建模方法的可解釋性。最后,雖然預測模型的建立使得近視的個體化防控成為可能,大幅降低了近視篩查的經濟及人力成本,但不容忽視的是預測模型是支持臨床醫(yī)生的工具,不能取代醫(yī)生的評估和判斷。在預測模型推廣和應用時,需要關注醫(yī)學倫理和問責制度、數據安全和患者隱私問題以及相關法律問題,確保其安全性和可靠性[38]。