驾驶方式可能预示轻度认知障碍
摘要： 研究人员发现，长期驾驶行为可以在临床诊断前数年揭示认知衰退的早期迹象。与认知健康的同龄人相比，后来出现认知障碍的老年人在出行频率、夜间驾驶和路线多样性方面逐渐减少。
使用全球定位系统(GPS)数据的机器学习模型比仅依靠年龄、遗传因素或认知测试更准确地预测认知障碍。这种低负担的监测方法可以在保持独立性和安全性的同时，实现更早的干预。
关键事实
- 被动检测： GPS驾驶模式预测认知衰退的准确率高达87%。
- 早期行为变化： 夜间驾驶减少、行程变短和路线变化减少预示着风险。
- 现实世界监测： 日常驾驶表现优于传统筛查方法。
根据2025年11月26日发表在《神经病学》杂志上的一项研究，车内驾驶数据可能是识别认知衰退风险人群的新方法。
"早期识别有事故风险的老年驾驶员是公共卫生的优先事项，但识别不安全驾驶者具有挑战性且耗时，"圣路易斯华盛顿大学医学院的博士、职业治疗博士Ganesh M. Babulal表示。
"我们发现，使用GPS数据跟踪设备，我们可以比仅考虑年龄、认知测试分数和是否具有与阿尔茨海默病相关的遗传风险因素更准确地确定谁已经出现了认知问题。"
该研究涉及56名轻度认知障碍患者（阿尔茨海默病的前兆）和242名平均年龄为75岁的认知健康人群。所有参与者在研究开始时每周至少驾驶一次。
参与者同意接受思维技能测试，并在其车辆上安装数据跟踪设备。随后他们被跟踪观察了三年多。
尽管两组在研究开始时的驾驶模式相似，但随着时间推移，轻度认知障碍的老年驾驶员在每月驾驶次数、夜间驾驶频率以及驾驶路线变化方面减少得更为明显。
研究人员使用中等和最大行程距离、超速次数以及路线变化程度等因素来预测一个人是否已发展为轻度认知障碍，准确率为82%。
当他们加入年龄和其他人口统计学因素、认知测试分数以及人们是否具有与阿尔茨海默病相关的基因时，准确率提高到了87%。相比之下，仅使用这些因素而不包含任何驾驶信息时，准确率为76%。
"观察人们的日常驾驶行为是一种相对低负担、不干扰的监测人们认知技能和功能能力的方式，"Babulal说。
"这有助于在驾驶员发生碰撞或险些发生事故之前（这通常是现在发生的情况）更早地识别有风险的驾驶员并进行早期干预。当然，我们还需要尊重人们的自主权、隐私和知情决策，并确保符合伦理标准。"
该研究的一个局限性是，大多数参与者都是受过高等教育的白人，因此结果可能无法推广到整个人群。
资金来源： 该研究得到了美国国立卫生研究院和国家衰老研究所的支持。
关键问题解答：
问：日常驾驶行为能否揭示早期认知衰退？
答：可以。日常习惯、距离和夜间驾驶的细微变化以高准确率预测了认知障碍。
问：与标准测试相比，这种方法的准确率如何？
答：驾驶数据预测障碍的准确率高达87%，优于单独的传统筛查。
问：这能否导致更早的干预？
答：可以。持续的被动监测可以在危险驾驶或主要症状出现之前识别风险。
编辑说明：
- 本文由Neuroscience News编辑编辑。
- 已全面审阅期刊论文。
- 我们的工作人员添加了额外的背景信息。
关于这项认知衰退和神经病学研究新闻
作者： Renee Tessman
来源： AAN
联系： Renee Tessman – AAN
图片： 图片由Neuroscience News提供
原始研究： 开放获取。
"Ganesh M. Babulal等人发表的《10年随访中老年人日常驾驶行为与轻度认知障碍的关联》"，《神经病学》
摘要
10年随访中老年人日常驾驶行为与轻度认知障碍的关联
背景与目标
驾驶整合了多种认知、感觉和运动系统，可能作为衰老过程中功能衰退的现实世界指标。轻度认知障碍(MCI)的老年患者通常在正式诊断为痴呆前就经历了细微的驾驶变化，但纵向的现实世界证据有限。
本研究调查了自然驾驶数据是否能随时间区分MCI老年患者和正常认知(NC)人群，并评估了驾驶特征与传统风险因素相比的区分能力。
方法
我们在华盛顿大学进行了一项前瞻性观察队列研究，研究对象是社区居住的、参与"驾驶现实世界车内评估系统项目"的老年驾驶员。参与者接受了年度临床痴呆评级评估、神经心理学测试和载脂蛋白ε4(APOE ε4)基因分型。
使用全球定位系统支持的车内数据记录器，每天记录驾驶行为长达40个月，记录内容包括出行频率、持续时间、距离、时间、超速、急刹车和空间移动能力（熵、最大距离、旋转半径）。
使用线性混合效应模型分析纵向变化，调整年龄、性别、种族、教育和APOE ε4因素。使用受试者工作特征曲线分析的逻辑回归评估了MCI和NC老年患者之间的区分能力，并与传统的人口统计学和遗传标志物进行比较。
结果
在298名参与者中（MCI组n=56；NC组n=242；平均年龄75.1岁；45.6%为女性），两组在基线时的年龄、性别、种族和APOE ε4状态以及大多数驾驶行为方面相似。随着时间推移，MCI驾驶员在月出行次数（MCI：-0.501，标准误差[SE]：0.21，95% CI[-0.923至-0.083] vs NC：-0.523，SE：0.09，95% CI[-0.709至-0.337]；p<0.001）、夜间出行（MCI：-0.334，SE：0.17，95% CI[-0.675至0.001] vs NC：-0.339，SE：0.07，95% CI[-0.480至-0.197]；p<0.001）和随机熵（MCI：-0.008，SE：0.004，95% CI[-0.016至-0.001]；NC：-0.014，SE：0.002，95% CI[-0.017至-0.011]；p<0.001）方面显示出更大的减少。
中等行程距离、超速事件、熵和最大距离等关键特征能够区分MCI驾驶员和NC驾驶员（曲线下面积[AUC] 0.82，95% CI 0.75–0.89）。添加人口统计学、APOE ε4和认知综合指标后，AUC提高到0.87（95% CI 0.81–0.93）。
讨论
MCI与驾驶频率、复杂性和空间范围的渐进性下降相关，支持自然驾驶数据作为早期认知衰退的潜在非侵入性数字生物标志物。该研究的局限性包括样本主要是白人、受教育程度高，以及缺乏外部验证，需要谨慎解读。持续监测可以增强临床评估，为驾驶安全决策提供信息，并指导干预措施以维持老年人的活动能力。
【全文结束】
