用于确定近视发作或进展的风险的方法和系统与流程

本披露内容的多个方面涉及一种用于确定在时间范围内近视发作或进展的风险的方法。本披露内容的多个方面进一步涉及一种用于确定在时间范围内近视发作或进展的风险的系统。

背景技术：

1、近视(屈光不正的一种形式)是人眼的一种状况，其中进入的光线并不直接聚焦在视网膜上而是在视网膜的前方，导致人们在看远处的物体时看到的图像模糊不清，但在看近处的物体时看到的图像清晰。低度近视(例如>-5d)和高度近视都与眼部病变、严重视力缺陷以及在极端情况下失明的风险增加相关联。因此，近视发作和对近视进展的控制已成为眼睛护理临床和研究领域的一个严重负担。

2、近视是一种涉及许多因素的复杂状况，并且评估近视的进展速度需要在长持续时间内的持续随访。此外，预测近视发作典型地是非常复杂的。几种模型允许预测近视发作和进展，但准确性和可靠性较差。特别是，这些模型无法解释在近视前期和近视人口中观察到的大部分差异，表明在这些预测模型中缺少重要因素。

3、因此，期望寻求更准确且可靠的方式来确定在近视前期和近视人口中在时间范围内近视发作或进展的风险。

技术实现思路

1、本发明的目的是提供用于准确且可靠地确定在时间范围内受试者的近视发作或进展的风险的方法和系统。为此，提供了如下的方法和系统，其中，对在时间范围内受试者的近视发作或进展的风险的确定可以至少基于受试者的敏感度参数的所确定的值。

2、本披露内容的第一方面涉及一种用于确定在时间范围内近视发作或进展的风险的方法。该方法包括确定与受试者的视力状况相关联的至少一个参数的值，所述至少一个参数包括所述受试者的敏感度参数，所述敏感度参数是相对于所述受试者对放置在所述受试者的至少一只眼睛前方的至少一个眼科镜片的至少一个屈光光学特征的变化的敏感度。该方法还包括基于该至少一个参数的确定值来确定在时间范围内受试者的近视发作或进展的风险。

3、根据各种实施例，与受试者的视力状况相关联的该至少一个参数可以进一步包括：屈光光学参数、与所述受试者的生活方式、活动或行为有关的参数、与受试者的遗传史有关的参数、光学生物测量参数、和/或与关于受试者的个人信息有关的参数。在一些实施例中，与受试者的视力状况相关联的参数可以包括所有上述参数和所述受试者的敏感度参数。

4、根据各种实施例，基于该至少一个参数的确定值来确定在时间范围内受试者的近视发作或进展的风险可以包括基于该至少一个参数中的每个参数的确定值向相应参数分配从多个预定风险类别中选择的相应风险类别，并且可以进一步包括基于分配给该至少一个参数中的每个参数的相应风险类别来确定在时间范围内受试者的近视发作或进展的风险。

5、根据各种实施例，基于该至少一个参数中的每个参数的确定值来向相应参数分配相应风险类别可以包括确定相应参数的确定值是否匹配与相应风险类别相关联的相应参数的对应参考值或位于对应参考值范围内。

6、根据各种实施例，相应参数的参考值或参考值范围可以基于数据库建立，该数据库包含针对人口样本内的个体在时间范围内近视发作或进展的风险的信息。

7、根据各种实施例，基于分配给该至少一个参数中的每个参数的相应风险类别来确定在时间范围内受试者的近视发作或进展的风险可以包括针对该多个预定风险类别中的每个风险类别来确定在该至少一个参数中已被分配有相应风险类别的参数的数量，并且可以进一步包括将该多个预定风险类别中已被分配给最高数量的参数的风险类别确定为在时间范围内受试者的近视发作或进展的风险。

8、根据各种其他实施例，基于分配给该至少一个参数中的每个参数的相应风险类别来确定在时间范围内受试者的近视发作或进展的风险可以包括向该多个预定风险类别中的每个风险类别分配权重，并且针对该多个预定风险类别中的每个风险类别来确定在该至少一个参数中已被分配有相应风险类别的参数的数量。该方法可以进一步包括针对该多个预定风险类别中的每个风险类别、通过将分配给相应风险类别的权重与已被分配有所述风险类别的参数的数量相乘来计算分数，通过对针对该多个预定风险类别计算的分数进行求和来计算最终分数，以及基于最终分数来确定在时间范围内受试者的近视发作或进展的风险。

9、根据各种实施例，基于最终分数确定在时间范围内受试者的近视发作或进展的风险可以包括将最终分数与至少一个第一预定阈值进行比较。

10、根据各种实施例，该一个或多个预定风险类别可以包括：低风险类别、中风险类别和高风险类别。

11、根据各种实施例，基于该至少一个参数的确定值来确定在时间范围内受试者的近视发作或进展的风险可以基于至少一个基于机器学习算法的预测模型来建立，该预测模型提供近视发作或进展的风险与该至少一个参数之间的关系。

12、根据各种实施例，基于该至少一个参数的确定值来确定在时间范围内受试者的近视发作或进展的风险可以包括将该至少一个参数的确定值输入到基于机器学习算法的该至少一个预测模型中、使用基于机器学习算法的该至少一个预测模型来计算风险比率的值、以及基于风险比率的计算值来确定在时间范围内受试者的近视发作或进展的风险。风险比率的计算值可以提供指示在时间范围内受试者的近视发作或进展的风险的概率，并且可以使用基于机器学习算法的该至少一个预测模型来进行。

13、根据各种实施例，基于风险比率来确定在时间范围内受试者的近视发作或进展的风险可以包括将风险比率的计算值与第二预定阈值进行比较。

14、根据各种实施例，与所述受试者的视力状况相关联的该至少一个参数可以包括指示所述受试者的近屈光的第一参数和指示所述受试者的近屈光敏感度的第二参数。与所述受试者的视力状况相关联的该至少一个参数还可以包括指示所述受试者的远屈光的第三参数和指示所述受试者的远屈光敏感度的第四参数。可以确定指示所述受试者的远舒适范围与近舒适范围的重叠程度的第五参数。确定第五参数的值可以包括基于第一参数至第四参数的确定值来确定远舒适范围和近舒适范围、确定远舒适范围与近舒适范围的重叠程度、以及基于远舒适范围与近舒适范围的确定重叠程度来向第五参数分配值。

15、根据各种实施例，确定近视发作或进展的风险可以包括确定进展到更高近视程度的似然和/或近视进展的速率。

16、根据各种实施例，时间范围可以不超过约6个月、约1年、约2年、约3年、约4年或不超过约5年。

17、本披露内容的第二方面涉及一种用于确定在时间范围内近视发作或进展的风险的系统。该系统包括用于确定与受试者的视力状况相关联的至少一个参数的值的装置，所述至少一个参数包括所述受试者的敏感度参数，所述敏感度参数是相对于所述受试者对放置在所述受试者的至少一只眼睛前方的至少一个眼科镜片的至少一个屈光光学特征的变化的敏感度。该系统进一步包括用于基于该至少一个参数的确定值来确定在时间范围内受试者的近视发作或进展的风险的装置。

18、根据各种实施例，该用于确定该至少一个参数的值的装置和该用于确定受试者的近视发作或进展的风险的装置中的至少一个可以包括电路。在一些实施例中，该用于确定至少一个参数的值的装置和该用于确定受试者的近视发作或进展的风险的装置可以是相同的电路。

19、根据各种实施例，该系统可以进一步包括计算机程序产品，该计算机程序产品包括指令，用于使第二方面的计算系统执行第一方面的方法的步骤。