The invention relates to a method to quantify human corneal tissue parameters to improve biomechanical modelling of refractive and therapeutic procedures to reduce or eliminate refractive errors and unwanted wavefront aberrations. The analysis of the preoperative biomechanical properties of cornea assists in predicting the postoperative biomechanical response of cornea. The computational models of extreme properties of the corneal tissue are conducted and the 3-D finite element models are populated with tomographic information of the cornea and artificial intelligence is trained to consider the pre-operative characteristics of the corneal tissue. The post-operative refractive procedures are simulated using the said finite element models. Finally, biomechanical deformations are prospectively estimated and method builds a deep learning approach to link clinical features to changes in biochemical outcomes. The method predicts the post-operative biomechanics of the corneal tissue and derives long term postoperative biomechanical response of cornea.L'invention concerne un procédé pour quantifier des paramètres de tissu cornéen humain pour améliorer une modélisation biomécanique de procédures de réfraction et thérapeutiques afin de réduire ou éliminer des erreurs de réfraction et des aberrations de front d'onde indésirables. L'analyse des propriétés biomécaniques préopératoires de la cornée aide à prédire la réponse biomécanique post-opératoire de la cornée. Les modèles informatiques de propriétés extrêmes du tissu cornéen sont réalisés et les modèles d'éléments finis 3D sont remplis avec des informations tomographiques de la cornée, et l'intelligence artificielle est entraînée pour tenir compte des caractéristiques préopératoires du tissu cornéen. Les procédures de réfraction post-opératoires sont simulées à l'aide desdits modèles d'éléments finis. Enfin, des déformations biomécaniques sont estimées de manière prospective et le procédé construit une approche d'apprentiss
