通过利用日常临床评估，研究人员证明，无需昂贵的影像学或侵入性检测，即可实现对痴呆症患者认知和功能变化的个性化12个月预测。
在一项近期发表于《通讯医学》期刊的研究中，一组研究人员开发并验证了可扩展的机器学习模型，这些模型能够利用常规收集的临床数据，预测阿尔茨海默病和轻度认知障碍患者12个月后的简易精神状态检查（MMSE）和布里斯托尔日常生活活动能力量表（BADL）评分，从而实现对认知和功能轨迹的个性化预测。
背景与临床需求
全球近6000万人患有痴呆症，预计到2050年这一数字将翻一番。家属们常常询问阿尔茨海默病或轻度认知障碍的进展速度，因为每个人面临的后果各不相同。有些人的健康状况迅速恶化，而另一些人则能在多年内保持稳定。基于患者平均数据的现行指南往往无法捕捉这种变异性。能够个性化预测的准确、易用工具可变革护理规划，但仍有待开发具有可扩展性和临床可行性的预后模型。
研究设计与数据来源
临床、人口统计学和病史数据来自英国Minder健康管理研究，这是一项针对痴呆症患者的持续纵向研究。研究人员仅纳入了至少有1年随访数据的阿尔茨海默病或轻度认知障碍患者。每个不重叠的独立12个月周期被视为一条独立的临床轨迹，这是一种分析假设，将同一患者的不同周期视为统计上独立。在三年间，共识别出153条此类12个月轨迹，其中79条符合认知建模条件，74条符合功能建模条件。
基线特征包括年龄、性别、通过国际疾病分类第十次修订版类别从电子健康记录中得出的合并症，以及来自三项评估的详细子项评分：MMSE、阿尔茨海默病评定量表-认知子量表（ADAS-Cog）和BADL。
他们拟合了两个ElasticNet回归模型来估算12个月后的MMSE和BADL评分。性能通过嵌套交叉验证进行评估，并使用平均绝对误差（MAE）、均方误差（MSE）和决定系数（R²）三个指标评价模型的整体准确性。认知模型在阿尔茨海默病神经影像学倡议队列的741条轨迹上进行了外部验证。由于ADNI队列中缺乏可比的BADL数据，仅对MMSE模型进行了外部验证。
认知与功能预测性能
在Minder队列中，平均12个月MMSE下降为-1.7分，平均BADL下降为-4.1分，凸显了疾病进展的巨大变异性。性能最佳的基于ElasticNet回归的认知模型，预测12个月MMSE评分的MAE为1.84分，R²为0.74。在阿尔茨海默病神经影像学倡议数据集上的外部验证显示出可比的MAE为2.19，尽管两个队列在人口统计学和基线严重程度存在差异。重要的是，在两个数据集中，预测误差均低于衰退的标准差，作者认为这暗示了临床意义上的准确性，尽管没有预先定义正式的临床决策阈值。功能模型预测12个月BADL评分时，MAE为3.88分，R²为0.77，表现出同样强劲的性能。
衰退的关键预测因素
仅凭基线总分并不能完全解释进展速度。相反，特定的认知和功能子领域具有很高的预测性。对于认知衰退而言，基线性观念性失用、单词回忆、口语、单词识别以及MMSE定向力和视空间项目表现不佳，强烈预示着更陡峭的MMSE下降。对于功能衰退，在食物和饮品准备、财务管理、穿衣、购物和参与爱好活动方面的独立性，是最强的预测因素之一。在这些领域已经存在困难的患者，在12个月内更可能经历更大的独立性丧失。年龄也与更快的功能衰退速度显著相关。
有趣的是，合并症在两个模型中都不是强预测因素。模型在排除合并症特征后表现相似或略好，尤其是在功能预测方面，这表明详细的认知和功能基线模式比宽泛的疾病类别具有更大的预后权重。研究人员利用Shapley加法解释（SHAP）来展示每个因素如何对模型结果产生贡献，从而更易于分析其系统的性能。这些分析表明，预测是基于每位患者特定的认知和功能特征进行个性化的。
临床转化与实施
研究结果表明，仅凭频繁收集的临床评估，无需神经影像学或脑脊液生物标志物，就有可能创建可靠的痴呆症进展个性化预测。该团队还开发了一个面向临床医生的决策支持工具，名为Theia，该工具可生成预测的12个月评分以及基于SHAP的解释，以增强实践中的可解释性。然而，模型开发所使用的样本量相对较小，且外部验证使用的是研究队列数据，这表明在广泛应用之前，有必要在常规护理人群中进行更广泛的多中心验证。
结论
仅使用常规收集的临床评估、人口统计信息和病史，两个机器学习模型就能准确预测阿尔茨海默病和轻度认知障碍患者12个月后的MMSE和BADL结局。这些模型在内部验证和认知预测的外部验证中均表现出色，误差范围具有临床意义。重要的是，特定的认知和日常生活子领域比总分更具预测性。它们代表了高度可转化、可扩展且可解释的工具。在临床环境中应用时，它们可协助个体化护理规划、改善资源利用，并为患者及其家属提供更清晰的预期，从而将精准预测引入日常痴呆症护理。
【全文结束】