一项近期发表在《美国医学会杂志网络开放版》的研究使用机器学习模型，从超过7000名参与者的复杂睡眠脑波模式中估算大脑年龄。研究发现，与实际年龄相比，大脑衰老速度更快与痴呆症风险增加相关。
此前关于睡眠模式（如睡眠时长和睡眠质量）与痴呆风险之间关联的研究结果并不一致。相比之下，本研究评估了与大脑功能和痴呆风险关系更密切的睡眠波模式中的细微差异。
该研究合著者、加州大学旧金山分校精神病学副教授冷月博士告诉《医学新闻今日》记者：“这项研究表明，睡眠不仅具有恢复功能，还为大脑健康提供了一个有力的窗口。通过分析睡眠期间的大脑活动，我们可以估算出一个人的‘大脑年龄’，这可能会揭示大脑是否比预期衰老得更快或更慢。”
另一位合著者、澳大利亚墨尔本莫纳什大学教授马修·佩斯博士补充道：“这项研究超越了传统的睡眠指标，如睡眠阶段或睡眠效率，这些指标通常与痴呆风险显示出微弱或不一致的关联。相反，它利用更丰富的脑电图微观结构生成一个单一的、可解释的标志物。”
未参与此项研究的睡眠专家、医学博士克里斯托弗·艾伦告诉《医学新闻今日》：“这项研究支持了这样一种观点：睡眠不仅仅是大脑健康衰退的症状，也可能是一种可测量的神经退行性风险早期标志物。”同时，艾伦提醒道：“它还不能被解读为独立的诊断工具。下一步是在更实际的场景中进行验证，并确定这种睡眠生物标志物如何在现实护理中补充其他痴呆风险标志物。”
睡眠模式与痴呆风险
研究表明，睡眠不足和睡眠碎片化与认知障碍和痴呆风险增加有关。然而，使用全局或宏观睡眠指标（如总睡眠时长、睡眠质量以及睡眠周期各阶段时间）的类似研究，未能显示睡眠模式与认知功能之间的一致关联。
多导睡眠监测（通常称为睡眠研究）的一个组成部分是使用脑电图测量脑电波。脑电图涉及附着在头皮上的电极，测量数百万个脑细胞同步放电的情况。这种同步活动表现为波或振荡。
脑电图有助于评估每个睡眠阶段的时间。非快速眼动睡眠和快速眼动睡眠是睡眠周期的两个主要阶段。非快速眼动睡眠包括三个不同深度的睡眠阶段（N1、N2、N3），而快速眼动睡眠则涉及更高的大脑活动水平。
虽然脑电图能够区分这些阶段，但仔细观察脑电图数据会发现数量显著更多的不同脑波模式。这些微观睡眠模式提供了更完整的大脑功能和健康图景。此外，其中一些微观脑波模式已被证明与认知障碍风险相关。
鉴于解读大量这些脑波模式所面临的挑战，本研究作者开发了一个机器学习模型，基于多种微观睡眠脑电图模式推导出一个类似年龄的数字，即大脑年龄。
生物学年龄与实际年龄及大脑健康
该机器学习模型使用了从大量年龄在18至80岁之间、无精神或神经系统疾病的个体中收集的睡眠数据进行训练。机器学习模型提供的大脑年龄揭示了个人睡眠模式与同龄典型健康个体的差异。
我们的身体以及其背后的生物过程和结构会随着年龄增长而磨损。实际年龄指的是一个人的实际年龄，而生物学年龄则反映了身体生物过程和结构的变化。生物衰老的速度因人而异，有些人比实际年龄更快或更慢。生物学年龄被认为是衡量生物功能和慢性病风险的更好指标。
与此一致，使用影像扫描确定的大脑年龄已被证明与痴呆风险相关。因此，从睡眠脑电图模式确定的大脑年龄可能成为未来痴呆风险的一个更易获取的标志物。
为了测量睡眠脑电图模式与痴呆风险之间的关联，作者首先计算了大脑年龄指数，即实际年龄减去睡眠脑电图推导出的脑龄。
在之前的研究中，作者报告了在临床环境中，大脑年龄指数较高与痴呆风险增加之间存在关联。
大脑衰老与未来痴呆风险
在本研究中，研究人员检验了大脑年龄指数是否可以作为社区多样化样本中痴呆风险的早期指标，而不仅仅局限于诊所的标准化条件。
研究包含了来自另外五项独立研究的7105名参与者的数据，这些研究最初旨在考察心血管疾病或骨质疏松症的长期风险。这些研究采用了标准化的家庭多导睡眠监测测试。分析只纳入了睡眠研究时认知健康的参与者。
参与者的认知状态通过定期随访确定，依据神经心理学测试、医生诊断以及痴呆用药或住院情况。研究人员使用经过验证的机器学习模型，根据每位参与者的睡眠脑电图数据估算其大脑年龄指数。
在随访期间，大脑年龄指数每增加10年，痴呆风险就增加39%。在考虑了教育程度、体力活动水平、年龄和性别等变量后，这一关联仍然存在。此外，在调整了基线认知状态、阿尔茨海默病遗传易感性（APOE e4基因变异）以及睡眠研究时评估的合并症（如中风、心血管疾病和睡眠呼吸暂停严重程度）等因素后，大脑年龄指数仍与未来痴呆风险相关。
未参与当前研究的梅奥诊所神经学家、医学博士大卫·琼斯与《医学新闻今日》讨论了这一发现。琼斯指出，之前一项使用同一五项研究数据分析常规睡眠指标（如睡眠时长和不同睡眠阶段时间）的研究，未能发现睡眠指标与痴呆风险之间的关联。他认为：“微观结构方法成功而宏观结构方法失败这一事实告诉我们一些重要信息：大脑对神经退行性疾病的易感性写在睡眠的详细纹理中，而不仅仅是其大致轮廓。”
这些发现是否适用于所有形式的痴呆症？
该研究的优势包括来自社区环境的大规模多样化样本（超过7000名参与者）。此外，研究使用机器学习从复杂的睡眠脑电图数据中获得了易于解释的大脑衰老指标。
耶鲁大学精神病学与神经病学助理教授、医学博士、哲学博士阿尔曼·费沙拉基-扎德解释说：“该研究的一个关键优势在于其战略性地应用机器学习算法处理大规模人群数据，从而实现了对睡眠脑电图输出的临床有意义的解读。”费沙拉基-扎德未参与当前研究，他表示：“这种非侵入性方法在现实临床实施中具有巨大潜力。鉴于睡眠障碍的高患病率以及美国每年进行的大量睡眠研究，这种方法本质上具有可扩展性。”
琼斯也说：“多导睡眠监测已广泛应用于睡眠障碍，家庭记录也越来越普遍。如果这一指标可以在可穿戴脑电图设备中得到验证，它可能成为真正可扩展的、非侵入性的早期痴呆风险分层工具，补充新兴的血液和影像生物标志物，尽管更好的机制和生物学理解将加速这些努力。”
然而，该研究也存在一些局限性。例如，用于诊断痴呆的方法以及随访的持续时间在五项原始研究中并不一致。琼斯提醒道：“该研究汇总了所有原因引起的痴呆，因此我们不知道这一标志物是否对阿尔茨海默病、路易体痴呆、血管性痴呆及其他亚型具有同等的预测能力，而这种区分对临床决策至关重要。”他还强调，该研究是观察性的，并不能证明与大脑年龄增加相关的睡眠模式会导致痴呆。
查看《医学新闻今日》的原文。
【全文结束】