摘要
背景
预计未来几十年，全球痴呆症患者人口将快速增长，这增加了对个性化、可推广和可扩展的预后和护理规划支持的需求。然而，当前的预后指导未能充分捕捉痴呆症发展轨迹的异质性，现有的痴呆症进展预测模型依赖于昂贵且难以获取的数据，在资源有限的环境中限制了其可扩展性。
方法
研究人员利用三年内收集的153条12个月临床轨迹中的临床评估、人口统计学和病史数据，开发了两种机器学习算法，用于预测阿尔茨海默病和轻度认知障碍患者的12个月认知和功能衰退情况。这些模型在ADNI队列的741条轨迹上进行了外部验证。认知和功能衰退分别通过简易精神状态检查和布里斯托日常生活活动能力量表进行评估。
结果
简易精神状态检查模型在内部验证中达到了1.84(95%置信区间：1.64-2.04)的平均绝对误差，在外部验证中为2.19。布里斯托日常生活活动能力量表模型的平均绝对误差为3.88(95%置信区间：3.46-4.30)。意念性运用、定向力和词语回忆的基线得分是认知衰退的最强预测因子之一，而食物准备、财务管理和穿衣方面的独立性则是功能衰退的主要预测因子。
结论
研究模型仅使用常规收集且易于获取的数据，具有较高的转化潜力。如果实施，这种可扩展的、数据驱动的预后支持工具可以简化临床工作流程，支持个性化护理规划，并为痴呆症患者及其家属提供更清晰的指导和更大的安心感。
通俗语言摘要
目前全球约有6000万人患有痴呆症。痴呆症对每个人的影响各不相同，有些人病情迅速恶化，而另一些人则能保持较长时间的稳定状态。这使得为个体规划合适的护理并帮助他们为未来做准备变得困难。研究人员对一组痴呆症患者进行了三年多的跟踪研究，定期测量他们的认知功能和独立生活能力。利用这些信息，开发了两种算法，通过学习患者的资料数据来为其他人做出个性化的痴呆症进展预测。为了让医生在实践中更容易使用这些模型，研究团队创建了一个在线应用程序，旨在帮助临床医生为其患者提供更加个性化的指导和支持。
【全文结束】
