AI揭示终生大脑健康的关键预测因素

AI Reveals Key Predictors of Lifelong Brain Health

一项新研究通过机器学习揭示了哪些健康和生活方式指标（包括饮食、体育活动和体重）与整个生命周期中的健康脑功能最为相关。

该研究使用机器学习来确定哪些变量最能预测一个人快速完成任务而不分心的能力。研究人员发现，年龄是对测试表现最具影响力的预测因子，其次是舒张压、BMI和收缩压。这项研究发表在《营养学杂志》上，发现年龄、血压和身体质量指数是成功完成Flanker任务的最强预测因子。Flanker任务要求参与者专注于中央对象而不被周围的干扰信息所分散。

饮食和锻炼也在测试表现中扮演了较小但重要的角色，有时似乎可以抵消高BMI或其他潜在不利因素的影响。“这项研究使用机器学习同时评估了许多变量，以帮助识别那些与认知表现最密切相关的因素，”领导这项工作的伊利诺伊大学厄巴纳-香槟分校健康与运动机能学教授Naiman Khan说，“传统的统计方法无法一次性处理这种复杂性。”

为了构建模型，研究团队使用了374名19至82岁成年人的数据。这些数据包括参与者的年龄、BMI、血压和体育活动水平等人口统计信息，以及饮食模式和他们在Flanker测试中的表现。Flanker测试测量了他们的处理速度和准确性，以确定中央箭头的方向，而周围箭头指向相同或相反方向。

“这是一个公认的认知功能衡量标准，用于评估注意力和抑制控制，”Khan说。先前的研究已经发现，有几个因素与整个生命周期中认知功能的保持有关。“坚持健康饮食指数，即饮食质量的一个衡量标准，已被发现与老年人的执行功能和处理速度更优有关，”他说。“其他研究发现，富含抗氧化剂、欧米伽-3脂肪酸和维生素的饮食与更好的认知功能相关。”

DASH饮食、地中海饮食以及结合两者的MIND饮食“都与预防认知衰退和痴呆症有关”，研究人员写道。BMI和血压等身体因素以及增加的体育活动也是认知健康的强烈预测因素，或者是在衰老过程中的认知衰退。

“显然，认知健康是由许多因素驱动的，但哪些因素最重要？”Verma说。“我们希望评估每个因素在与其他所有因素结合时的相对强度。”机器学习“为分析具有多个变量的大数据集并识别传统统计方法可能未发现的模式提供了有前景的途径”，研究人员写道。

研究团队测试了各种机器学习算法，以确定哪个算法最能权衡各种因素以预测Flanker测试中准确响应的速度。研究人员测试了每种算法的预测能力，并使用多种方法验证了那些表现最好的算法。

他们发现，年龄是对测试表现最具影响力的预测因子，其次是舒张压、BMI和收缩压。遵循健康饮食指数对认知表现的预测作用不如血压或BMI显著，但也与测试表现更好相关。

“体育活动成为反应时间的中等预测因子，结果表明它可能与其他生活方式因素（如饮食和体重）相互作用，从而影响认知表现，”Khan说。

“这项研究揭示了机器学习如何为营养神经科学领域带来精确性和细微差别，”他说。“通过超越传统方法，机器学习可以帮助为老龄化人群、具有代谢风险的人群或希望通过生活方式改变来增强认知功能的人群制定策略。”

伊利诺伊大学的个性化营养倡议和国家超级计算应用中心支持了这项研究。Khan是一名营养师，也是伊利诺伊大学营养科学系、神经科学项目和贝克曼高级科学技术研究所的附属教员。

(全文结束)