Актуальность. Близорукость является главной причиной снижения зрительных функций. В клинической практике используются различные методики лечения и профилактики прогрессирования данного заболевания. Особое внимание уделяется изучению возможностей применения искусственного интеллекта в прогнозировании и лечении миопии. Посредством машинного обучения разрабатываются новые и совершенствуются существующие модели, позволяющие прогнозировать результат лечения на основе исходных данных. Цель: разработать и протестировать модель машинного обучения для прогнозирования прогрессирования миопии у детей, использующих дизайн очковых линз с периферическим дефокусом, через 12 месяцев ношения. Материалы и методы. Сформирован набор данных о 48 глазах 48 пациентов, для которых был проведен подбор дизайна очковых линз с периферическим дефокусом. 8 моделей машинного обучения для бинарной классификации (XGBoost, Random Forest, Gradient Boosting, LightGBM, Extra Trees, Logistic Regression, Decision Tree, K-Nearest Neighbors) разрабатывались с использованием языка программирования Python 3 и библиотек scikit-learn, XGBoost, LightGBM. В качестве целевой переменной был прогноз результата применения перифокальных очков в виде бинарного признака: благоприятный исход (24 глаза) и неблагоприятный (24 глаза). Благоприятным исходом признавался результат более –1,00 дптр, который соответствовал значению годового градиента прогрессирования через 12 месяцев после оптической коррекции, а неблагоприятный – –1,00 дптр и менее (по математической логике). Для разработки и тестирования моделей машинного обучения общий набор данных был разделен на обучающую и тестовую выборку в соотношении 67:33. Оценка важности признаков моделей проводилась на основе метода значимости признаков (feature_importances). Результаты. Наилучшее качество по целевой метрике ROC AUC на тестовом наборе данных показала модель XGBoost (ROC AUC 0,906), точность (accuracy) прогнозирования исхода составила 0,875, чувствительность – 0,875, специфичность – 0,875. Наиболее важными признаками для прогноза стали следующие показатели: кератометрия слабого меридиана (Kmin до 0,382), сфероэквивалент (до 0,217), радиус кривизны (R до 0,184), переднезадняя ось (до 0,102), возраст пациента (0,064), кератометрия сильного меридиана (Kmax до 0,051). Заключение. Предложенная модель показала отличное качество по целевой метрике ROC AUC для прогнозирования результата применения дизайна очковых линз с периферическим дефокусом через 12 месяцев ношения у детей. Для практического использования данной модели разработан калькулятор.