如果五年後 AI 真的能預測孩子的近視，我們今天準備好了嗎？

如果有一天，AI 告訴你：

「按照這個孩子過去幾年的資料，他未來的近視可能會這樣發展。」

甚至進一步告訴你：

「如果採取不同的近視控制方式，未來的度數與眼軸變化可能會不一樣。」

你會相信嗎？

以前談 AI 與視力，我們很容易想到的是：拍一張照片，讓 AI 判斷有沒有問題。

但我最近看到的一篇研究，讓我開始覺得，真正值得注意的可能不是：

AI 現在看見了什麼。

而是：

AI 能不能從一個孩子過去幾年的資料，看見他接下來可能怎麼變？

這兩件事情，差很多。

AI 已經開始嘗試預測「未來」

2026 年 1 月，《npj Digital Medicine》發表了一篇研究：AI-guided personalized predictions on myopia progression and interventions。

研究團隊建立了一套名為 Myopia Progression Predictive Model（MPPM） 的人工智慧模型。它不是單純判斷「這個孩子有沒有近視？」而是想預測兒童與青少年未來的近視進展，包括球面等效度數（SE）與眼軸長度（AL）。

研究的自然進展模型使用超過 30 萬名兒童與青少年、110 萬筆以上屈光紀錄，利用長期資料訓練時序模型，嘗試預測未來最長十年的變化。

在內部測試中，球面等效預測的平均絕對誤差約為 0.35 D，眼軸長度約為 0.16 mm；研究也另外進行外部驗證。

換句話說，AI 開始嘗試回答的已經不是：

「你現在是多少度？」

而是：

「按照你過去的變化，接下來可能會走到哪裡？」

更進一步，它甚至開始比較不同的路

這套模型還加入不同近視介入的資料，包括 0.01% atropine、Orthokeratology、Peripheral defocus spectacles，以及 Repeated low-level red light（RLRL）。

研究者想知道的是：不同孩子接受不同介入之後，未來的度數與眼軸可能怎麼變化？

這就開始碰到「個人化近視管理」真正困難的地方。

但看到這裡，我第一個想到的並不是「AI 好厲害。」

我想到的反而是：

沒有前面的那些資料，AI 到底要預測什麼？

AI 真正需要的，是一個孩子的「時間」

一筆資料只能告訴我們今天是多少。但如果有去年、前年，再加上今年，我們才開始知道：他正在怎麼變。

這套研究使用的核心資料，其實沒有想像中神祕：年齡、過去不同時間點的球面等效度數、眼軸長度，以及每次紀錄之間的時間關係。

當這些資料按照時間排列起來，它就不再只是一張處方，而是一條軌跡。

研究也發現，過去可用的追蹤資料越多，模型的預測表現通常越好；而預測時間拉得越遠，不確定性也會增加。

這其實很合理。但它讓我想到每天工作現場很常出現的一段對話。

「孩子去年大概幾度？」

「好像兩百多。」

「那前年呢？」

「忘記了。」

「以前有量過眼軸嗎？」

「好像有。」

「紀錄呢？」

「可能在醫院。」

這不是家長不關心，而是我們一家人的視力資料，本來就很容易散落在不同地方。醫院一份、驗光所一份、手機照片裡一張、抽屜裡還有一張以前的處方。

幾年以後，我們最後留下來的常常只剩下一句：

「我記得好像有增加。」

這也是我為什麼開始做「視力家家簿」

一開始，我沒有想得這麼遠。我只是覺得：一家人的視力資料，不應該每隔幾年就重新開始。

所以我開始做「視力家家簿」。它不是拿來診斷疾病，也不是要取代眼科醫師或驗光師。

它現在要做的事情其實很單純：先把一家人的視力變化留下來。

今天一筆、半年後一筆、一年後再一筆。單獨看，它們都只是紀錄；但三年、五年以後，它們會慢慢變成一條時間線。

如果五年後真的可以，我們今天準備好了嗎？

假設五年後，AI 真的可以更成熟地協助我們分析一個孩子的視力變化，我們有資料可以給它嗎？

我們有沒有留下每一次的屈光資料、眼軸、量測日期、左右眼分開的紀錄？什麼時候開始某種近視控制？中間有沒有更換方式？介入前後的變化？

如果這些最基本的資料都沒有，五年後就算出現再厲害的 AI，我們可能還是只能回答：

「我記得以前好像……」

這才是這篇研究真正讓我停下來想的地方。

所以，我現在反而不急著讓 AI 給答案

AI 很會回答問題。但在視力照護裡，我覺得它更早應該幫我們做的，也許是另一件事：

不要讓重要的資料消失。

先幫我們整理，把不同時間點的紀錄串起來，把變化畫出來。當某一段趨勢開始不一樣時，提醒我們：「這裡值得再看一下。」

接下來，再交給家長、眼科醫師、驗光師一起理解。

因為真正重要的從來不是：AI 說了什麼。

而是：AI 根據什麼資料，說了這句話。

今天的一筆紀錄，也許是在替五年後做準備

AI 一定還會繼續進步。未來的模型可能加入更多生物量測、影像、生活型態與長期紀錄。

但不管模型變得多厲害，它始終需要一件最基本的東西：真實、連續，而且可以比較的資料。

所以現在回頭看「視力家家簿」，我反而不急著把 AI 塞進去。

先把第一件事情做好。

把今天留下來。

因為今天的一筆視力紀錄，現在看起來可能只是一個數字。三年後，它可能是一段變化；五年後，它可能是一條軌跡。

再往後，也許有一天，AI 真的能從這些資料裡幫我們看見一些以前看不見的事情。

到了那一天，至少我們不需要再從一句「我記得以前好像……」重新開始。

---

研究來源

Liu S, Lu Y, Li X, et al. AI-guided personalized predictions on myopia progression and interventions. npj Digital Medicine. 2026;9:129. DOI: 10.1038/s41746-025-02308-4.