一项由雷根斯特朗研究所、印第安纳大学和普渡大学的研究人员进行的新研究展示了一种低成本、可扩展的方法，用于早期识别可能发展为痴呆症的个体。尽管该病目前无法治愈，但存在一些常见的风险因素，如果能够针对性地解决这些因素，可能会降低患痴呆症的风险或减缓认知能力下降的速度。
“痴呆症风险的检测对于适当的护理管理和规划非常重要。我们希望解决的问题是在医疗系统中找到一种既可扩展又成本效益的解决方案，以早期识别可能发展为痴呆症的个体。” 雷根斯特朗研究所和印第安纳大学医学院的研究高级作者马拉萨·布斯塔尼（Malaz Boustani）博士表示。
为了实现这一目标，他们利用患者医疗记录中已有的信息——被动数据——进行所谓的“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体化的痴呆症风险预测或展示轻度认知障碍的证据。
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。这些句子由医生、护士、社会工作者或其他提供者撰写。医疗记录中的信息是以自由文本格式描述患者健康的叙述。
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”疗法和补充剂。
预测痴呆症风险有助于患者、家属和医疗保健提供者获取资源，如支持小组和医疗保险及医疗补助GUIDE模型项目，后者支持患者在家中生活更长时间。它还可以鼓励临床医生减少老年人常用的但对大脑有负面影响的药物的使用，并与患者讨论具有类似特性的非处方药。了解痴呆症风险还可能促使医生考虑新批准的淀粉样蛋白降低疗法，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学习和无监督学习，以从每个患者大量可用的医疗记录中提取与痴呆症相关的句子，”该研究的共同作者、雷根斯特朗研究所附属科学家、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，“这不仅提高了预测准确性，还使医疗提供者可以通过审查我们语言模型用于风险评估的具体文本，快速确认认知障碍。”
“自20世纪70年代初以来，雷根斯特朗研究所和印第安纳大学的研究人员一直在展示电子健康记录的实用性。鉴于临床医生和患者在捕获EHR数据方面投入了大量努力，我们的目标必须是从这些数据中寻求最大的临床价值，而不仅仅是它们在医疗服务中的核心作用，”该研究的共同作者、雷根斯特朗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中实现临床价值的优秀和创新示例。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，但提供成本低于一美元的“零分钟评估”对负担过重且缺乏时间和培训来管理专门认知测试的初级保健医生来说也有明显的好处。
研究作者正在进行一项为期5年的临床试验，以测试他们的风险预测工具，试验地点在印第安纳波利斯和迈阿密，目前正处于最后一年。从这项试验中学到的经验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工作将涉及将医疗记录与其他信息以及环境数据融合。
“使用医疗记录中的决策导向内容选择进行痴呆症风险预测”的论文发表在《计算机生物学与医学》杂志上。这项研究得到了美国国立卫生研究院老龄化研究所资助的R01AG069765（主要研究者：马拉萨·布斯塔尼、齐娜·本·米勒德和詹姆斯·加尔文）的支持。
(全文结束)
