近视型可植入胶原镜片植入后的剩余折射：临床数据与光学模型的对比

《International Ophthalmology》：Residual refraction after myopic implantable collamer lens implantation: clinical data vs optical models

　　摘要
目的：使用患者特定的临床生物测量数据，比较四种光学建模方案在预测近视型可植入性胶原镜片（ICL）植入后的术后屈光变化方面的准确性，并将这些结果与临床术后屈光数据和眼球隆起数据進行验证。

方法：这项回顾性研究分析了215只接受近视ICL植入的眼睛。根据患者特定的术前生物测量数据和术后测量的眼球隆起情况，实施了四种光学模型。这四种模型在处理角膜和有晶体眼内镜片（pIOL）厚度方面存在差异：（A）角膜厚且pIOL厚；（B）角膜薄且pIOL厚；（C）角膜厚且pIOL薄；（D）角膜薄且pIOL薄。术后球镜等效屈光通过客观自动验光来确定，并对一部分眼睛进行了主观验光的敏感性分析。预测准确性通过平均误差、平均绝对误差、屈光准确性阈值和Bland–Altman分析来进行评估。二维离散度使用标准距离偏差和标准偏差椭圆（SDE）进行评估。使用Brown–Forsythe检验和Bonferroni校正方法比较了椭圆对齐的方差。所有模型的预测准确性都与标准数据进行了对比。

结果：假设中央pIOL厚的模型（A和B）系统性地高估了术后屈光，偏差超过+1.0 D，且一致性范围较宽（>±3.0 D）。pIOL薄的模型显示出显著改进的一致性。模型C的偏差最低（0.30±0.48 D），一致性范围最窄（-0.62–1.21 D），椭圆对齐轴上的方差最小，与模型A和B相比有显著减少（p<0.001）。模型C和D之间没有观察到显著的离散度差异。模型C的预测准确性非常接近制造商的计算算法的结果。

结论：对于中央部分变薄且有中央孔径的近视ICL，假设pIOL薄的光学模型可以提供术后屈光预测。模型选择应优先考虑沿视觉轴的光学相关性，而非解剖复杂性。

引言：
可植入性胶原镜片（ICL，STAAR Surgical）植入已成为治疗中度至高度近视的有效方法，尤其是对于不适合角膜激光屈光手术的眼睛[1, 2]。大规模的临床系列研究证明了ICL植入后的良好安全性、长期稳定性和较高的未矫正远视力[3, 4]。然而，准确预测术后屈光仍然是一个临床挑战。

ICL植入后的残余屈光误差并不罕见，可能需要额外的矫正措施，如激光视力增强、ICL更换或眼镜矫正，这些都会直接影响患者的满意度和感知的视觉质量[5, 6, 7]。先前的研究显示，大约10-30%的眼睛术后球镜等效屈光未能达到目标屈光的±0.50 D范围内，而在高度近视的眼睛中，这一比例可能高达20%[6, 7, 8]。即使是较小的残余误差也可能降低未矫正的视觉敏锐度和对比敏感度，这凸显了在这一患者群体中提高屈光预测能力的必要性。ICL植入在有晶体的眼睛的后房中，形成了一个复杂的光学系统，其中有效镜片位置受到术后眼球隆起的强烈影响[9]。眼球隆起的变化改变了ICL与晶状体之间的有效光学距离，从而影响屈光结果。因此，提出了光学建模方法，通过明确考虑个体眼部几何结构和镜片位置来模拟屈光结果。Langenbucher等人提出了一个基于蒙特卡洛的框架，描述了多种有晶体辅助镜片植入的光学场景，这些场景在角膜厚度假设以及pIOL是厚镜片还是薄镜片方面有所不同[10]。然而，使用患者特定的生物测量数据和术后测量的眼球隆起数据对这些场景的临床验证仍然有限。

本研究将四种光学模型应用于大量接受近视ICL植入的眼睛的临床数据集中的数据。通过结合真实的术后眼球隆起测量数据和详细的生物测量数据，我们评估了四种光学建模方案的预测准确性，并确定了最适用于临床应用的方法。据我们所知，这是首次使用术后测量的眼球隆起数据和患者特定的生物测量数据对先前提出的蒙特卡洛建模框架进行临床验证的研究。

研究设计和数据集：
这项回顾性观察性研究分析了2018年1月至2024年10月期间在一家临床中心接受近视或近视散光ICL植入的患者的匿名临床数据。纳入标准包括：年龄在21至55岁之间，屈光误差稳定，房水深度（AD）≥2.8 mm，内皮细胞计数>2000个/平方毫米。排除了弱视、任何前段病变或有眼部手术史的眼睛。生物测量或术后屈光数据不完整的眼睛也被排除在外。每个患者只有一只眼睛被随机选入分析。

生物测量：
术前生物测量包括以下内容：中央角膜厚度（CCT）、轴长（AL）、镜片厚度（LT）、从前段光学生物测量仪IOL Master 700（Carl Zeiss Meditec AG，德国耶拿）获得的平均前角膜半径（R）；从Scheimpflug基础断层扫描仪Pentacam AXL（OCULUS，Optikger?te，德国韦茨拉尔）获得的平均后角膜半径（PR）；从前段光学相干断层扫描仪（AS-OCT）Visante（Carl Zeiss Meditec AG，德国耶拿）或Casia 2（Tomey Corporation，日本名古屋）获得的AD。术后ICL隆起通过前段光学相干断层扫描（AS-OCT）（Visante OCT，Carl Zeiss Meditec AG，德国耶拿，或CASIA2，Tomey Corporation，日本名古屋）进行评估，这些方法已经过验证[11, 12, 13, 14]。术后屈光通过自动验光的球镜等效值来确定，使用自动验光仪（Topcon Corporation，日本东京）测量，并标准化到12 mm的顶点距离。对于未达到未矫正远视力（UDVA）20/20的患者，还进行了主观非睫状肌麻痹性明视验光。在数据可用的子集中，进行了敏感性分析，以比较自动验光和主观验光之间的偏差。

光学建模和场景：
根据Liou和Brennan[15]描述的解剖学精确的眼部示意图以及Langenbucher等人[10]提出的有晶体辅助镜片建模框架，实施了四种光学模型（场景A–D）。这些模型在角膜厚度假设和有晶体眼内镜片（pIOL）的建模方面存在差异：场景A——角膜厚且pIOL厚；场景B——角膜薄且pIOL厚；场景C——角膜厚且pIOL薄；场景D——角膜薄且pIOL薄。对于所有场景，都使用患者特定的生物测量数据来计算后段屈光，从而在视网膜平面闭合光学系统。植入的ICL球镜等效功率按照适合近视镜片的符号约定进行了整合。ICL材料的折射率固定为n=1.45。在厚镜片场景（A和B）中，pIOL被明确建模为具有有限的中央厚度和前后面曲率。镜片厚度和曲率值是根据植入的ICL球镜等效功率确定的，并从美国专利规范图14中获取的光学几何结构中得出[16]。现代近视EVO ICL设计中的中央水通道在屈光计算中未被单独建模为一个光学孔径。相反，其光学效应通过场景C和D中使用的薄镜片表示法隐含地纳入。由于水通道只占瞳孔面积的一小部分，并且靠近光学轴，因此在当前的建模方法中，其对旁轴屈光功率的贡献可以忽略不计。

预测误差和准确性分析：
预测误差定义为预测的术后球镜等效（SE）屈光与实际测量值之间的差异。模型准确性使用标准汇总指标进行量化，包括平均误差（ME）、平均绝对误差（MAE）和预测误差的标准差（SD）。此外，还计算了预测误差位于预定义临床阈值（±0.25 D、±0.50 D、±0.75 D、±1.00 D、±1.50 D和±2.00 D）内的眼睛比例，以评估屈光预测能力。

使用Bland–Altman分析进一步评估了预测屈光与实际测量屈光之间的一致性，包括偏差估计和95%的一致性范围。所有准确性指标都在整个队列中进行了评估，并在适当的情况下按植入的ICL直径进行了分层。

为了提供评估的光学模型的临床背景，还进行了与制造商专有的ICL功率计算算法（OCOS，STAAR Surgical）的比较分析。对于每只眼睛，从OCOS计算输出中获得了与植入ICL功率对应的术后SE屈光预测。使用应用于光学模型的相同框架，包括Bland–Altman分析、MAE以及位于预定义屈光准确性阈值（±0.50 D和±1.00 D）内的眼睛比例，评估了OCOS预测的术后SE屈光与实际测量值之间的一致性。这种比较旨在将所研究的光学模型的性能与当前临床实践进行定位，而不是替代专有的计算算法。

二维离散度分析：
为了描述测量和模拟的术后球镜等效（SE）屈光的联合分布，在笛卡尔空间进行了二维离散度分析，将测量到的术后SE绘制在X轴上，将模拟的术后SE绘制在Y轴上。对于每种光学模型（A–D），数据云的质心被计算为平均测量的术后SE和平均模拟的术后SE。使用标准距离偏差（SDD）量化了围绕质心的整体离散度，定义为观测值与质心之间的欧几里得距离的平方根平均值。方向变异性进一步使用标准偏差椭圆（SDEs）进行表征，这些椭圆由半长轴（a）和半短轴（b）以及相对于测量SE轴的方向角定义。椭圆参数是从双变量分布的协方差矩阵的特征值和特征向量中得出的。SDE的面积用作离散度的标量汇总指标，报告了1-SD椭圆和相应的2-SD椭圆的面积，后者在高斯假设下近似覆盖了95%的数据。较低的SDD值和较小的SDE面积表明测量和模拟的术后屈光之间的一致性更好，预测不确定性更低。

椭圆对齐方差比较和统计测试：
为了比较不同建模场景下的离散度特征，坐标被转换到一个椭圆对齐的参考系统中。对于每个场景，所有数据点都被平移，使原点与标准偏差椭圆的质心重合，然后按负椭圆方向角进行旋转。这样就产生了一个椭圆对齐的坐标系统，其中X′轴表示主要的系统屈光误差轴，Y′轴表示残余变异性轴。使用Brown–Forsythe检验比较了不同场景沿X′轴和Y′轴的方差。选择Brown–Forsythe检验是因为它提供了一个稳健的方差比较方法，对偏离正态性的敏感度较低，这比经典的Levene或F检验更有优势，尤其是在处理屈光误差分布时。在整个沿椭圆对齐轴进行的所有成对比较中（每个轴六个情景比较；总共十二个比较）都应用了Bonferroni校正，校正后的p值<0.05被认为是统计学上显著的。为了探讨与模型分散相关的因素，眼睛被分类为位于基于测量值与模拟术后球面等效值得出的两个标准差（2SD）预测椭圆之内或之外。连续变量使用Mann–Whitney U检验进行比较，类别变量使用卡方检验进行比较。在每个情景中也应用了Bonferroni校正。此外，还计算了ICL的中心厚度（根据ICL屈光度从专利规格中得出）以及ICL厚度与中央角膜厚度（CCT）的比率，以评估相对 lens 厚度是否影响眼睛落在预测椭圆之外的概率。

为了评估使用非睫状肌麻痹客观自动折射法对模型比较的影响，当有术后主观明显折射数据时，进行了敏感性分析。应用了与主要分析中相同的排除标准。此外，当术后最佳矫正视力（BCVA）和未矫正远视力（UDVA）都低于0.0 logMAR时，以及主观折射记录为零球镜度和柱镜度时，这些记录被排除在外，因为这些条目很可能代表了缺失或不可靠的测量结果。使用过滤后的数据集，通过绘制每个情景的测量术后主观SE与模拟术后SE的图表来重复分散分析，并使用与主要分析相同的方法重新计算了标准距离偏差（SDD）和标准偏心椭圆（SDE）。

为了评估将两个标准差（2SD）椭圆解释为近似95%分散边界是否合理，使用Shapiro–Wilk检验检验了椭圆对齐坐标（X′和Y′）的正态性。SDD和SDE区域的置信区间是使用非参数自助法重采样（2000次迭代）估计的。对于每个自助样本，重新计算了分散指标，并使用自助分布的2.5百分位数和97.5百分位数来定义95%置信区间。

共有215名患者被纳入研究，其中163名为女性（76%）。手术时的平均年龄为31±7岁，年龄范围从20岁到52岁。分析包括94只右眼（44%）和121只左眼（56%）。表1显示了研究人群的特征。ICL屈光度和尺寸的选择是通过Staar Surgical专有的基于Web的算法OCOS（https://ocos.staarag.ch）进行的，输入数据包括：年龄、性别、明显折射、K1、K2（IOLMaster 700）、AD（AS-OCT）、CCT和WTW（Pentacam）。ICL屈光度是用环形或非环形模型计算的，并确定了ICL的最佳尺寸。植入的ICL包括6、74、126和9个不同尺寸的镜片，分别为12.1、12.6、13.2和13.7毫米。

图1展示了在四种评估情景中使用的光学建模假设。角膜、pIOL和晶状体的示意图改编自Langenbucher等人的图2[10]。情景A和B将pIOL建模为一个具有独立前后表面和有限厚度的厚光学元件，而情景C和D将pIOL近似为一个根据术后隆起位置放置的薄透镜。角膜被表示为一个厚的双表面元件（情景A和C）或一个薄的光学折射表面（情景B和D）。

Bland–Altman图（n=215只眼睛）展示了厚角膜和厚pIOL（情景A）、薄角膜和厚pIOL（情景B）、厚角膜和薄pIOL（情景C）以及薄角膜和薄pIOL（情景D）的测量术后残余折射球面等效值与理论术后残余折射球面等效值之间的差异。Bland–Altman分析显示，在四种建模情景中，测量术后残余SE与理论预测术后SE之间有显著的一致性差异（图2，表2）。表2展示了厚角膜和厚pIOL（情景A）、薄角膜和厚pIOL（情景B）、厚角膜和薄pIOL（情景C）以及薄角膜和薄pIOL（情景D）的测量术后残余折射球面等效值与理论术后残余折射球面等效值的Bland–Altman特征。

情景A和B假设了厚pIOL。情景A（厚角膜和厚pIOL）显示出较高的正偏差1.21±0.87 D，且一致性范围最宽（-0.49–2.91 D）。情景B（薄角膜和厚pIOL）表现出最大的系统偏差（1.53±0.85 D），一致性范围从-0.12到3.19 D。两种情景都显示出中等程度的系统偏移（r=0.31和0.30，p<0.001）。假设薄pIOL几何形状的情景显示出改善的一致性。情景C显示出最小的偏差（0.31±0.46 D）和最窄的一致性范围（-0.60–1.21 D）。情景D的偏差为0.60±0.49 D，一致性范围为-0.37–1.56 D。这些情景中的相关系数较低（情景C：R2=0.04，r=0.20，p=0.003；情景D：R2=0.02，r=0.13；p=0.049），反映了偏差与测量SE屈光度之间的低相关性。总体而言，尽管相关性指标较弱，但包含薄pIOL假设的情景显示出较低的偏差和更窄的一致性范围。在薄pIOL模型中较低的相关系数不应被解释为预测效果较差。相关性量化的是线性关联而非一致性。当系统偏差减少且回归斜率接近于一时，剩余的残余变异性变小且结构不那么明显，这可能会降低相关值，尽管预测准确性有所提高。

图3总结了在完整队列中评估的四种光学建模情景（A–D）的术后SE预测准确性，表示达到测量术后SE±0.25 D、±0.50 D、±0.75 D、±1.00 D、±1.50 D和±2.00 D范围内的眼睛比例。情景A–D的MAE（平均绝对误差）值分别为1.21、1.53、0.31和0.60 D。情景A–D的MAE值分别为：1.39、1.65、0.43和0.63 D。

图4展示了在四种光学建模情景（A–D）中，眼睛达到预定义术后折射预测误差阈值（±0.25–±2.00 D）的比例，说明了随着容忍度增加的预测准确性。在所有四种光学建模情景中，植入ICL直径的预测准确性仅有轻微变化。在情景A中，平均绝对误差（MAE）在ICL尺寸之间范围从1.05到1.58 D，且在±0.50 D范围内的准确性普遍较低（0–11%）。在所有直径下，±1.00 D范围内的准确性都较低，尽管12.1和13.7毫米尺寸的值较低，但总体表现较差。同样，情景B在所有ICL尺寸下显示出一致的较高残余误差，MAE值在1.52到2.12 D之间。在±0.50 D和±1.00 D范围内的准确性对于所有直径都较低，且没有观察到随着镜片尺寸增加而表现出改善或恶化的趋势。相比之下，情景C在所有ICL直径下显示出稳定且较高的预测准确性。MAE值分布紧密（0.38–0.59 D），且在±0.50 D（44–74%）和±1.00 D（约80%）范围内的眼睛比例相当。随着ICL直径的增加，没有检测到明显的准确性变化。情景D显示出中等程度的预测准确性，ICL尺寸之间的变化有限。MAE值在0.59到0.84 D之间，且在±0.50 D和±1.00 D范围内的准确性仅有小幅波动，没有一致的尺寸依赖模式。

表3和图4总结了所有四种建模情景的质心位置和分散指标。在所有情景中，测量的术后SE平均值相同（-0.19 D），反映了使用了一个共同的临床队列。相比之下，模拟的术后SE平均值在不同情景间有显著差异，表明了模型依赖的系统偏差。表3展示了从标准距离偏差（SDD）和标准偏心椭圆（SDE）得出的四种光学建模情景中测量与模拟术后球面等效值（SE）的分散指标。

图4展示了四种光学建模情景中测量AR与模拟术后SE的标准偏心椭圆分析（n=215只眼睛）。虚线代表测量SE与模拟SE之间的理想相关性，2标准差椭圆（黑色）总结了联合分散、方向和中心趋势。情景A和B显示出较大的正偏移（分别为+0.98 D和+1.30 D），而情景C显示出接近零的偏差（+0.11 D），情景D显示出适度的正偏差（+0.39 D）。分散指标强烈支持包含薄ICL假设的情景。在情景C和D中，SDD值大约减半（0.51–0.53），与情景A和B（0.91–0.94）相比。同样，1标准差SDE的面积在情景C（0.39）和情景D（0.42）中也显著减小，相对于情景A（1.04）和情景B（1.01）。2标准差椭圆的面积也观察到了相同的模式，这代表了大多数眼睛的预期临床误差范围。

使用术后主观明显折射进行的敏感性分析评估了使用非睫状肌麻痹自动折射法是否影响光学建模情景的比较性能（图5）。在应用了主要分析中相同的排除标准并移除了不可靠的主观折射条目后，有163只眼睛可用于分析。

标准偏心椭圆分析了四种光学建模情景中主观与模拟术后SE（nsubgrup=163只眼睛）。虚线代表测量SE与模拟SE之间的理想相关性，2标准差椭圆（黑色）总结了联合分散、方向和中心趋势。使用主观折射得到的分散模式与基于主要自动折射的分析观察到的结果非常相似。假设中心厚pIOL的情景（情景A和B）再次显示出较大的分散和系统偏差。情景A显示出标准距离偏差（SDD）为0.84 D，2标准差椭圆面积为2.65 D2，而情景B显示出相当的SDD为0.82 D，2标准差椭圆面积为2.58 D2。相比之下，薄pIOL模型显示出显著减少的分散。情景C显示出最小的分散指标，SDD为0.42 D，2标准差椭圆面积为1.10 D2。情景D产生的分散略大，但仍然相似（SDD 0.43 D；2标准差椭圆面积1.13 D2）。这些发现证实，当使用主观折射作为临床参考时，主要分析中观察到的相对性能层次结构得到了保持。

表4总结了比较建模情景沿椭圆对齐轴的方差的Brown-Forsythe检验结果。在X′轴上，情景A和B之间的方差没有显著差异（p=1.000），表明系统分散相当。相比之下，情景A和B的方差显著大于情景C和D（所有p<0.001）。情景C和D之间没有显著差异（p=1.000），反映了这些模型中系统分散的类似减少。在Y′轴上，情景A和B之间的方差也没有显著差异。表4展示了使用Bonferroni校正的情景A和B之间沿椭圆对齐轴的方差比较的Brown-Forsythe检验结果（p=1.000）。A和B的方差显著大于情景C和D（所有p<0.05）。与X′轴的情况相同，场景C和D之间没有发现统计学上的显著差异（p = 1.000）。总体而言，与场景A和B相比，场景C和D在两个与椭圆对齐的轴上表现出一致的较低方差，而C和D之间的差异在统计学上并不显著。在场景A和B中，位于预测椭圆外的眼睛表现出显著更大的眼轴长度和更多的术前近视性散光（SE），与椭圆内的眼睛相比（所有p < 0.001）。在这些场景中还观察到了与性别分布的轻微关联（A和B均为p = 0.03）。相比之下，患者年龄、CCT、Km、AD、WTW、PR、LT或拱高以及ICL类型（非 toric/toric）或ICL大小（12.1、12.6、13.2和13.7毫米）等分类变量之间没有发现显著差异。在任何场景中，椭圆内外的眼睛之间ICL中心厚度和ICL中心厚度与CCT的比率都没有显著差异。在场景C和D中，评估的生物测量、屈光或人口统计变量都没有显示出与椭圆成员身份的显著关联。Toric ICL仅使用球面等效屈光进行解析；因此，轴方向效应没有明确纳入光学建模框架中。对椭圆对齐坐标的正态性测试显示，在不同的建模场景中存在混合分布行为。沿着主轴（X′），场景A和B的正态性被拒绝（所有p < 0.001），而场景C和D的正态性未被拒绝（分别为p = 0.284和p = 0.307）。沿着次轴（Y′），场景A和B与正态性一致（分别为p = 0.921和p = 0.901），而场景C和D显示出与正态性的显著偏差（均为p < 0.001）。自助法分析显示，在不同场景中分散度估计是稳定的。对于场景A，SDD为0.99（95% CI 0.83–1.13），1-SD SDE面积为1.12（95% CI 0.87–1.34）。对于场景B，SDD为0.97（95% CI 0.82–1.11），1-SD SDE面积为1.09（95% CI 0.87–1.31）。相比之下，场景C和D显示出显著较小的分散度。场景C的SDD为0.52（95% CI 0.46–0.57），1-SD SDE面积为0.39（95% CI 0.31–0.48），而场景D的SDD为0.53（95% CI 0.48–0.58），1-SD SDE面积为0.42（95% CI 0.34–0.50）。这些结果证实了薄pIOL建模场景的分散度显著降低，同时表明在自助重采样下分散度估计保持稳健。与制造商的OCOS计算结果（nsubgrup = 153只眼睛）进行比较显示，OCOS在统计上显著更好地（Wilcoxson符号等级检验中p < 0.001）与测量的术后屈光结果一致（偏差 = 0.17 D），而场景C的偏差为0.31 D。结果显示在图6上。OCOS预测显示出更低的平均绝对误差、更窄的一致性范围，以及更高比例的眼睛在±0.50 D（77%）和±1.00 D（97%）的准确性阈值内。尽管场景C相比厚镜片模型减少了系统偏差，但其性能仍略低于包含经验调整的临床优化OCOS算法。

图6

此图像的替代文本可能是使用AI生成的。

全尺寸图像

Bland–Altman图（nsubgrup = 153只眼睛）用于测量术后残余自动屈光（AR SE）和OCOS模拟的术后残余屈光

讨论

本研究表明，光学建模假设极大地影响了近视性后房人工晶体植入后的预测术后屈光。将pIOL建模为中心较厚光学元件的场景（场景A和B）系统性地高估了术后残余屈光超过1.0 D，一致性范围超出±3.0 D（图2，表2）。相比之下，将近视pIOL建模为中央区域光学上较薄的场景（场景C和D）显著减少了系统偏差和分散度。特别是场景C，其偏差仅为0.31 D，一致性范围低于±2.0 D，这比厚镜片公式有了显著改进。这些发现与近视性Visian EVO ICL的几何特性一致，因为它们的中心最薄，并包含一个360微米的中央开口（aquaport）。因此，沿着主光线的光路主要由房水而不是晶状体材料主导。将近视pIOL建模为中心较厚的元件会引入人为的散光贡献， exaggerating the refractive impact of the lens and leading to systematic overprediction of postoperative refraction。目前分析关注的是具有中央变薄和中央开口的Visian EVO近视ICL设计。由于不同的人工晶体平台的光学几何结构不同，这些建模结论主要应针对具有类似结构特性的镜片进行解释。远视pIOL或没有中央开口的设计可能会表现出不同的光学行为，可能需要不同的建模假设。从模型选择的角度来看，这些发现表明，增加解剖复杂性并不一定能够提高预测性能。相反，优先考虑中心光线路径上光学相关性的模型能够与临床结果更吻合。场景C代表了这种最平衡的框架，结合了生理合理性、数值稳定性和临床可接受的准确性。使用SDD和SDE指标进行的二维分散度分析提供了对传统单变量误差测量的补充信息。厚pIOL场景（A和B）产生了宽而延长的椭圆，面积较大，反映了变异性的增加和系统偏差。相比之下，薄pIOL场景（C和D）生成的椭圆大小显著较小且更对称，更接近等值线，表明测量屈光和模拟屈光之间的一致性有所改善。用于厚镜片pIOL表示的几何参数来自描述Collamer镜片几何结构的原始专利中报告的标称设计值[16]。尽管这些参数反映了预期的设计，但制造公差可能在个别植入物中引入微小偏差。这种变异性可能会增加厚镜片模型对参数不确定性的敏感性。相比之下，薄镜片表示将光学元件简化为一个等效的折射平面，因此不那么受晶状体厚度或表面几何形状潜在变异性的影响。此外，中央aquaport没有明确建模，因为旁轴散光建模假设围绕光轴具有旋转对称性。

为了进一步评估与非睫状肌麻痹自动屈光相关的调节偏差的潜在影响，当有可用的术后主观明显屈光数据时进行了敏感性分析。从主观屈光获得的分散结构与主要分析结果非常吻合。场景C再次显示出最低的分散度（SDD 0.42 D；2-SD椭圆面积为1.10 D2），而场景A为0.84 D2和场景B为0.82 D2和2.65 D2。这些发现表明，薄pIOL建模的改进性能对术后屈光测量的选择具有鲁棒性。尽管非睫状肌麻痹自动屈光可能会引入小的系统性近视偏差，但它不会实质性改变光学建模假设的相对比较。场景A和B之间没有显著差异，这表明单独修改角膜厚度假设并不会显著改变屈光预测误差。相比之下，场景C和D在两个与椭圆对齐的轴上显示出显著降低的方差，表明采用薄pIOL表示更有效地捕捉了主导的光学行为，同时减少了残余变异性。一旦采用了薄pIOL假设，额外的角膜厚度细化似乎提供的增量效益有限。这些发现还应在之前的建模工作背景下进行解释。在Langenbucher等人的蒙特卡洛模拟研究中，对多种屈光度范围的phakic补充镜片进行了建模（+17–?17 D），厚镜片假设产生了最准确的预测[10]。相比之下，目前的分析仅限于近视pIOL，并展示了薄pIOL模型的优越性能。这种差异可能反映了近视ICL的结构设计，因为它们在中心最薄，因此可以通过薄镜片表示更准确地近似。尽管Langenbucher等人的蒙特卡洛分析显示了厚镜片和薄镜片建模假设对生物测量变异性的理论敏感性，但目前研究通过将这些建模方法与临床术后屈光数据进行了对比[10]。场景A和B中预测异常值与眼轴长度和高度术前近视之间的关联表明，厚镜片建模放大了对极端眼部尺寸的敏感性。当ICL被建模为薄镜片时（场景C和D），这种效应消失了，表明简化模型在广泛的生物测量范围内具有更大的鲁棒性。值得注意的是，无论是绝对ICL厚度还是相对ICL厚度（定义为ICL中心厚度与角膜厚度的比率）都与预测异常值无关，这表明晶状体厚度的变化不太可能是建模误差的主要来源。在解释术后屈光结果时，还需要考虑pIOL植入对客观自动屈光测量的潜在影响。pIOL的存在引入了额外的折射表面，可能会改变视网膜反射特性、瞳孔平面共轭和更高阶像差[17, 18]。先前的研究显示，与主观或睫状肌麻痹屈光相比，客观自动屈光可能会产生略微更近视的结果，尤其是在年轻患者中。Jorge等人报告称，在不使用睫状肌麻痹的情况下进行自动屈光时，平均近视偏移约为?0.86 ± 0.79 D[19]。尽管这可能会引入系统偏差，但它对所有建模场景的影响是相同的，因此不会影响它们的相对比较。对分布假设的评估表明，椭圆对齐的屈光误差坐标在不同的建模场景中并不始终呈正态分布。因此，两个标准差的椭圆应该主要被视为描述性分散边界，而不是严格的95%置信区间。自助法置信区间确认了SDD和SDE指标在重采样中的稳定性，支持了模型之间观察到的差异的稳健性。使用Brown–Forsythe测试和全局Bonferroni校正进行的方差比较进一步表明，厚pIOL场景的分散度显著更大，尤其是在主要误差轴上。

与制造商的OCOS算法的比较突出了理论光学建模和临床优化预测方法之间的区别。尽管场景C与厚pIOL模型相比显示出更好的一致性，但OCOS展示了更高的预测准确性。这种差异可能反映了OCOS算法中包含的经验调整，而这些调整并未明确包含在当前的建模框架中。尽管如此，目前的发现仍然具有临床相关性，因为它们提供了对近视ICL光学行为的机制性见解。本研究的目的是不是为了取代制造商的计算算法，而是为了评估可能影响现代计算算法性能的不同建模假设的光学有效性。总之，对于植入具有中央变薄和中央开口的近视pIOL的眼睛，薄pIOL光学建模提供了更准确的术后屈光预测。这些发现强调了将光学建模假设与植入镜片的结构设计对齐的重要性。

结论

对于近视ICL植入后的屈光预测，评估的光学场景在对生物测量不确定性的敏感性方面存在显著差异。场景A（厚角膜，厚pIOL）尽管在理论上是最解剖学上完整的，但对生物测量噪声和设计参数的不确定性表现出高敏感性，导致系统性的屈光偏差。相比之下，场景C提供了最准确和最稳健的术后屈光预测，适用于所有近视ICL尺寸。场景C的优越性能可能反映了其对pIOL厚度和后角膜曲率的不确定性降低的敏感性，这两种都是已知的测量变异源[20]。与理论预期一致，简化的光学假设在应用于实际临床数据时可能优于几何细节更复杂的模型。方法学上，应用SDD、SDE和椭圆对齐方差测试扩展了传统的单变量指标（如平均误差或Bland–Altman分析）。这些多变量方法允许将系统性的屈光结构（由主要分散轴表示）与次要轴上的残余变异性分开，从而提供了对模型性能背后光学机制的额外洞察。从临床角度来看，这些发现表明，用于ICL功率预测的光学建模方法可能会从沿视觉轴的pIOL的简化表示中受益。对于中心变薄的近视ICL设计，采用薄镜片近似可以提高屈光预测模型的稳健性，通过减少对晶状体厚度和后角膜几何的不确定性敏感性。尽管本研究没有提出替代制造商功率计算算法的方案，但结果表明，这些建模假设可能有助于改进理论预测框架，并有潜力开发改进的标尺图和基于光线追踪的ICL功率计算策略。