一项由雷根斯托夫研究所、印第安纳大学和普渡大学的研究人员进行的新研究提出了一种低成本、可扩展的方法，用于早期识别可能发展为痴呆症的个体。尽管这种疾病目前仍无法治愈，但通过针对和解决一些常见的风险因素，可以潜在地减少患痴呆症的几率或减缓认知能力下降的速度。
“痴呆症风险检测对于适当的护理管理和计划非常重要，”该研究的高级作者、雷根斯托夫研究所和印第安纳大学医学院的马拉萨·布斯塔尼（Malaz Boustani）博士说。“我们希望解决如何在早期识别可能发展为痴呆症的个体的问题，同时提供一种既可扩展又具有成本效益的解决方案。”
为了实现这一目标，研究人员利用患者医疗记录中已有的信息——即所谓的零分钟评估，其成本低于一美元。决策导向的内容选择方法用于开发个性化的痴呆症风险预测或展示轻度认知障碍的证据。
“利用医疗记录中的决策导向内容选择进行痴呆症风险预测”发表在《计算机生物学与医学》上。这项技术利用机器学习从患者的电子健康记录（EHR）中选择与目标结果相关的短语或句子。这些记录是由医生、护士、社会工作者或其他提供者编写的，描述了患者的健康状况。
从医疗记录中提取用于预测痴呆症风险的信息可能包括临床医生的评论、患者的陈述、血压或胆固醇值的变化、家庭成员对精神状态的观察以及药物史——包括处方药、非处方药以及“天然”补品。
预测痴呆症风险有助于患者、家属和医疗服务提供者获得资源，如支持小组和医疗保险和医疗补助服务中心的GUIDE模型项目，后者支持患者更长时间地留在家中。它还可以鼓励医生减少老年人常服用但对大脑有负面影响的药物，并与患者讨论具有类似特性的非处方药。了解痴呆症风险可能会促使医生考虑新批准的降低淀粉样蛋白的疗法，这些疗法可以改变阿尔茨海默病的发展轨迹。
“我们的方法结合了监督和非监督机器学习，以便从每个患者大量可用的医疗记录中提取与痴呆症相关的内容，”该研究的合著者、雷根斯托夫研究所附属科学家、前普渡大学印第安纳波利斯分校教员齐娜·本·米勒德（Zina Ben Miled）博士说。“除了提高预测准确性外，这还使医疗服务提供者可以通过审查我们的语言模型用于风险评估的具体文本，快速确认认知障碍。”
“雷根斯托夫研究所和印第安纳大学的研究人员自20世纪70年代初以来就展示了电子健康记录的实用性。鉴于临床医生和患者为捕捉EHR数据所做的巨大努力，目标必须是从这些数据中寻求最大临床价值，即使这些数据在医疗保健中的核心作用之外，”该研究的合著者、雷根斯托夫研究所和印第安纳大学医学院的保罗·德克斯特（Paul Dexter）博士说。
“通过应用机器学习方法来识别未来可能患有痴呆症的高风险患者，这项研究提供了从EHR中实现临床价值的一个极佳且创新的例子。早期识别痴呆症将变得越来越重要，特别是在新的治疗方法不断发展的背景下。”
虽然新技术的最终受益者是患者和护理人员，但提供零分钟评估且成本低于一美元的方法对负担过重且往往缺乏时间和培训来实施专门认知测试的初级保健医生也有明显的好处。研究作者正在进行的为期5年的临床试验正在印第安纳波利斯和迈阿密进行，目前已进入最后一年。从这项试验中吸取的教训将使他们能够推进痴呆症风险预测框架在初级保健实践中的实用性。研究人员计划未来的进一步工作，包括将医疗记录中的其他信息和环境数据融合在一起。
(全文结束)
