基于近視篩查數據的近視影響因素分析和近視預測

黃峻嘉，張 琪，趙 娜，李 蓉，蘇宇涵，周 濤

(1. 云南大學軟件學院 昆明 650504；2. 小艾眼科診所，艾視醫療科技成都有限公司 成都 610041；3. 電子科技大學大數據研究中心 成都 611731)

2010 年全球近視人群約有19.5 億，占世界總人口的28.3%[1]。2018 年我國兒童青少年總體近視率為53.6%[2]，遠超國際水平[3]。目前美國[4-5]、新加坡[6-7]、澳大利亞[8]等國家已采用隊列研究的方法對兒童近視影響因素展開研究。國內也有不少針對中國各城市青少年近視情況的分析，如上海[9-10]、安陽[11]、廣州[12]、溫州[13]、北京[14]等。文獻[15]分析了來自Orinda 近視縱向研究的數據子集MYOPIA，認為父母近視情況、戶外運動時間、閱讀時間和性別等因素對近視有較大影響。Orinda近視縱向研究[15-17]、CLEERE 父母近視史的研究[18]以及近視影響因素研究[19]都認為青少年早期屈光度能夠用于預測其未來近視的發生。文獻[20]分析了長達10 年的臨床屈光數據，發現機器學習方法可以有效預測高度近視發生的幾率。

現有研究中使用最多的方法為隊列分析和邏輯回歸[21]。其中隊列研究是探討疾病病因的常用方法之一，能較好地揭示兩事件間的因果關系。但設計和組織實施較難，收集與分析資料較復雜。邏輯回歸分析其決策面是線性的，難以處理數據不平衡的問題。本文利用斯皮爾曼相關系數(spearman's rank correlation coefficient)[22]分析各影響因素與未來視力的相關性，并細分高度近視與普通近視隨年齡的變化情況。斯皮爾曼相關系數是衡量兩個變量的依賴性的非參數指標，利用單調方程評價兩個統計變量的相關性，適用于總體分布未知或有序變量相關性分析。本文構建了適用于小數據集和一次檢查數據的集成學習算法模型，僅需輸入一次檢查數據即可對未來任意時刻視力情況進行量化預測。通過對比5 種常見的集成學習算法，發現隨機森林模型的綜合表現最佳。本工作在近視預測及防控方面具有一定的參考價值。

1 標準與數據

根據2019 年10 月15 日國家衛健委辦公廳印發的《兒童青少年近視防控適宜技術指南》，近視率指近視人群的占比，而篩查近視的標準為裸眼視力低于5.0，且非睫狀肌麻痹情況下電腦驗光等效球鏡(簡寫為SE，后均指在非睫狀肌麻痹情況下進行的檢查)度數小于-0.50D，其中等效球鏡度數為球鏡度數加上1/2 倍柱鏡度數。在已判斷為近視的人群中，近視程度劃分標準如下：1) 低度近視——SE 度數在-3.00D～-0.50D(含)之間；2) 中度近視——SE 度數在-6.00D～-3.00D(含)之間；3) 高度近視——SE 度數小于-6.00D。

本文分析了3 個視力檢查數據集。其中數據集A 和B 來自艾視醫療科技成都有限公司(簡稱艾視科技)2019 年6 月-2020 年7 月成都市3～16 歲用戶雙眼近視檢查，包含性別、年齡、球鏡、柱鏡、裸眼視力、等效球鏡、是否近視等數據項。已經排除了近期有眼部活動性病變者和近期配戴接觸鏡者的對應數據。數據集A 中每個用戶僅有一次檢查數據，共19 467 條。納入的研究對象平均年齡(9.23±2.55)歲，男性10 137 例，占52%，女性9 330 例，占48%。左眼等效球鏡平均(-0.79±1.75)D，右眼等效球鏡平均(-0.90±1.76)D，左眼裸眼視力平均 (4.8±0.32)，右眼裸眼視力平均(4.78±0.33)。裸眼視力采用五分記錄法。整體近視率為41.1%。其中近視程度為不近視、低度、中度、高度的分別占比58%、28%、12%、2%。數據集B 中每個用戶有兩次檢查數據，共1 470 條、735 對。納入的研究對象平均年齡(8.42±2.23)歲，男性748 例，占51%，女性722 例，占49%。左眼等效球鏡平均(-0.21±0.89)D，右眼等效球鏡平均(-0.26±0.9)D，左眼裸眼視力平均(0.96±0.22)，右眼裸眼視力平均(0.97±0.24)。裸眼視力采用小數記錄法。同一個檢查對象兩條數據之間的間隔時間從30～180 天不等。第一次檢查時整體近視率為19.6%。第二次檢查時整體近視率為32.0%。第一次檢查未近視的樣本中有15.4%在第二次檢查時變為了近視。數據集C 來自Orinda 近視縱向研究數據子集，每年由父母或監護人完成一次調查，包括調查對象視力檢查數據以及年齡、近視家族史和相關視覺活動時間數據。本文使用的部分來自618 名進入研究時并非近視受試者的初次檢查結果。數據均來自對象的右眼。納入的研究對象中男性302例，占49%，女性316 例，占51%。其中年齡平均(6.3±0.71)歲，每周戶外活動時間平均(11.95±7.96) h，每周閱讀時間平均(2.8±3.07) h，每周電腦使用時間平均(2.11±3.05) h，每周學習時間平均(1.49±2.11) h，每周看電視時間平均(8.95±5.71) h。其中戶外活動、閱讀、使用電腦、看電視和學習時間僅統計校外活動。該數據集樣本的近視率為13.1%，所有近視對象均為低度近視。

2 影響因素分析

本文分析了性別和近視以及高度近視發生的關系，發現在我國的數據中，性別和近視發生無顯著的關聯關系，故后文不以性別為影響因素。圖1 給出了根據數據集A 得到的不同年齡段近視發生率：深色代表近視人數，并用數字標識；淺色代表非近視人數；曲線給出了不同年齡的近視率。其中6 歲以下及14 歲以上數據量較小，故未計算其所對應的近視率。由圖可見，6～14 歲隨著年齡的增長，近視率逐漸升高，到14 歲時近似率已經接近80%，遠遠超過世界平均水平。

圖1 數據集A 中不同年齡的近視情況

為分析近視人數增長情況，本文計算了不同年齡的近視轉化率a(t)=[p(t+1)-p(t)]/[1-p(t)]，其中p(t)是年齡為t 的孩子中的近視率，a(t)表示有多少比例在年齡為t 時還不是近視的孩子恰在這一年轉化為近視。根據數據集A，孩子在6～13 歲的近視轉化率分別為6.87%、14.22%、17.94%、20.38%、18.77%、21.89%、18.20%和14.14%。從轉化率分析可以看到，8～12 歲是近視新增的高發時期，平均每年約有20%的非近視學生轉為近視學生，13 歲以后每年從非近視轉化為近視的風險開始顯著下降。

圖2 給出了根據數據集A 得到的不同年齡段高度近視發生率：深色代表高度近視人數，并用數字標識；淺色代表非高度近視人數；曲線給出了不同年齡的高度近視率。其中6 歲以下及14 歲以上數據量較小，故未計算其所對應的高度近視率。由圖可見，高度近視的占比隨年齡的增長而不斷增長。從8 歲開始高度近視率顯著提升，且隨年齡的增長逐漸升高。類似地，本文計算了不同年齡的高度近視轉化率，從6～13 歲分別為-0.98%、-0.33%、0.36%、0.81%、1.72%、2.77%、2.60%和4.36%。其中在6 歲和7 歲出現負數，可能有兩個原因，一是因為數據量太小造成統計上波動太大，二是有一些遺傳性的眼病導致極年幼就出現高度近視，這部分孩子的增長規律與其他孩子有所不同。隨著未來數據量的增長，可以得到統計上更可信的結果。與此同時，8 歲以后高度近視占比的增長非常顯著，且10～14 歲是高度近視快速增加的高危時期。14 歲以上孩子數據較少，留待以后分析。

圖2 數據集A 中不同年齡的高度近視情況

本文計算了數據集C 各數據項與“近視與否”的斯皮爾曼相關系數，并做雙尾檢驗。數據結果顯示，父親是否近視、母親是否近視和每周戶外活動時間與“近視與否”有顯著影響(98%置信度水平上顯著)，其余各項(包括閱讀、使用電腦、看電視和學習)在98%置信度上均無顯著影響。

圖3 給出了父母近視與否對孩子近視情況的影響。父母中有一人近視時孩子的近視率為13.2%，是父母均不近視時的4 倍，父母均近視時孩子的近視率為22.3%，為父母均不近視時的6.75 倍。可見遺傳對于近視影響是巨大的。

圖3 父母是否近視對孩子近視與否的影響

圖4 給出了每周戶外活動時間和近視率的關系，其中統計在內的只包括離開學校后的戶外活動。由圖可知，除了曲線前部因為樣本數量少出現波動外，整個曲線是近似單調的——戶外活動時間越長，近視比例越低。在4 ～9 h 區間內，增加戶外活動時間帶來的近視率的降低尤為顯著。當每周戶外活動時間大于15 h 的時候，近視率不再顯著變化。

圖4 每周戶外活動時間和近視率的關系。其中縱坐標給出的是每周戶外活動時間不超過給定值的情況下近視的比率

3 近視預測

本文選取了隨機森林(random forest)[23]、自適應提升(AdaBoost)[24]、裝袋(bagging)[25]、梯度提升(gradient boosting)[26-27]和極端梯度提升(XGBoost)[28]5 種集成學習模型，把數據集B 中同一個檢查對象的前一個時間點數據(含個人信息)和間隔時間一起作為訓練數據，預測其后一個時間點的近視情況。樣本數據隨機劃分為70%訓練集和30%測試集，預測對象為裸眼視力和等效球鏡，并用預測值與真實值差的絕對值作為誤差。預測模型的結構如圖5 所示。

圖5 預測模型結構

如表1 所示，隨機森林方法和梯度提升方法的誤差相對最低，但梯度提升方法在間隔時間較長之后，會出現結果突變和失穩，特別是突然出現視力大幅度變好的情況，而這與醫學實踐知識是不符合的，也沒有在其他具有更長時間間隔的真實數據中觀察到。因此，綜合考慮算法的精確性和魯棒性，我們認為隨機森林是最好的模型，而如果只預測較短時間之內的視力變化情況(如半年之內)，則梯度提升方法效果也很好。如果用隨機森林算法，只對下一個時間點“是否是近視”進行預測，則準確度可以達到92.8%。

表1 不同模型預測誤差對比

4 結 束 語

本文分析結果顯示中國青少年近視發生率遠遠超過國際水平，其中8～12 歲是近視新增的高發時期，平均每年約有20%的非近視學生轉為近視學生，而10～14 歲是高度近視新增的危險時期。父母近視情況和戶外活動時間對近視形成的影響最大。本文還構建了一個僅需單次檢查數據即可得出未來視力預測結果的模型，可以定量給出未來指定時間點的左右眼裸眼視力及左右眼等效球鏡值，可以據此進行近視及近視程度的預測。如果只對近視與否進行判斷，預測準確度接近93%，有相當的參考價值。

結合影響因素的分析，本文認為我國青少年近視率遠高于世界平均水平的一個很重要的原因，就是課后戶外活動時間嚴重不足，這可能歸因于中國孩子從小課業壓力過大。根據數據分析結果，本文建議應盡量保障每個孩子平均每天在校園外有2 h的戶外活動時間，在非周末也應該每天至少1 h 以上的戶外活動時間。在8～12 歲近視轉化率是最高的，這個時間點恰好在小學階段，如果教育部門能夠持續有力地推動素質教育，降低考試成績在小學學習過程中的重要性，學校和家長就能夠更從容主動保障孩子的戶外活動時間，降低近視發生率。如果孩子在小學階段視力很好，后面轉為近視的風險會相應降低。

本研究的數據還具有明顯的局限性，缺少6 歲以下以及14 歲以上的數據，樣本區域集中代表性不充分，在國內還沒有大規模針對家庭情況和生活習慣的調查。這使得本文結論的適用度和可信度都有相當大可提高的空間，特別是無法準確判斷海外數據(數據集C)對中國情況的解釋力——這還需要針對國內類似調查數據的分析。目前研究組正在進行針對數十萬青少年的視力篩查，并匹配對數萬抽樣家長的問卷調查，有望在近期給出更充分全面的分析。

青少年近視防控是一項系統工程，需要政府、學校、醫療衛生機構、家庭和學生本人共同努力。政府應該主動出臺近視防控計劃，每3～5 年為一期，給出明確的目標和可操作的方案，并通過廣覆蓋的篩查數據分析獲得定量化的反饋，切實有效地提升青少年視力水平。