新模型可提前预测个体痴呆风险

　　◎实习记者 苏菁菁

　　研究人员选取了排名前十的痴呆预测因子，构建了UKB-DRP痴呆预测模型。该模型能够预测个体在五年、十年甚至更长时间内是否会发病，筛查出处于痴呆症病程早期的群体，使高风险人群“记忆的橡皮擦”放缓步伐。

　　医学上常见的痴呆症包括阿尔茨海默病、血管性痴呆等，其中阿尔茨海默病占比最高。在我国60岁及以上人口中，约有1500万名痴呆症患者，其中1000万人患有阿尔茨海默病。然而，对于痴呆症，我们既没有完全了解病理，也尚无有效的治疗方法。

　　近日，复旦大学附属华山医院神经内科主任医师郁金泰临床研究团队联合复旦大学类脑智能科学与技术研究院冯建峰教授、程炜青年研究员算法团队开发了UKB-DRP痴呆预测模型，该模型能够预测个体在五年、十年甚至更长时间内是否会发病，筛查出处于痴呆症病程早期的群体，使高风险人群“记忆的橡皮擦”放缓步伐。相关研究成果近日发表于柳叶刀子刊《电子临床医学》。

　　痴呆症需早发现早干预

　　痴呆症起病隐匿且病情发展缓慢，往往难以确定发病时间。作为痴呆症最常见的类型，阿尔茨海默病可以使病人在发病前20年就出现病理改变，较长的潜伏期使病人在临床诊断时常常错过了最佳治疗时间。目前，全世界已有超过5500万人患有痴呆症，据世卫组织预计，2050年全球痴呆症患者将达到1.52亿。

　　为了实现早发现、早干预、早治疗，越来越多的研究团队开始对痴呆症的早期生物标记物进行研究，探寻其对疾病早期预测的有效性。

　　目前，全球范围内对于痴呆症风险预测的模型更多是基于传统统计学方法构建的评分量表。例如经典的CAIDE评分、伦敦大学学院开发的DRS评分以及澳大利亚国立大学开发的ANU-ADRI评分等。郁金泰告诉科技日报记者，CAIDE评分是目前临床十分常用的痴呆症评分系统，该评分系统纳入的指标数量少，易获取、计算快，但评分相对精度略有欠缺。ANU-ADRI评分将既往研究发现的风险因子根据研究文献中汇报的风险比值进行了系统的整合；DRS评分除了纳入常规指标外，还更系统地考虑了被试者的病史和服药史。这些评分量表均有重要的参考价值。

　　随着人工智能在医疗领域的广泛应用，越来越多的研究团队开始利用基于海量数据推演的机器学习手段来构建预测模型。郁金泰告诉记者，部分机器学习模型在进行风险因子挑选时往往追求模型的预测精度而忽略了模型的潜在应用场景，例如部分模型的预测指标需要从PET影像或脑脊液中提取，这导致模型更多局限于科研领域，很难实现广泛的现实应用。

　　“随着民众对于痴呆症的重视，国内相关研究日渐增多，但在疾病风险预测这一领域尚无高质量的研究成果。”郁金泰说。而UKB-DRP痴呆预测模型则填补了国内研究的空白，并实现了模型预测精度与应用场景的结合。

　　新型痴呆预测模型效能高

　　郁金泰团队联合冯建峰、程炜团队通过“医学+人工智能”的跨学科交叉融合，利用人工智能算法研究了海量的中老年人的健康信息，选取了排名前十的痴呆预测因子，构建了UKB-DRP痴呆预测模型。

　　研究团队随访了超过40万名40—69岁的非痴呆人群，在超过10年的随访过程中，5000余名参与者被诊断为痴呆症。研究团队将参与人群的基因、认知、生化、行为等多维度的健康相关指标全部作为潜在预测因子，采用机器学习对大样本、高维度的复杂数据进行深入加工和挖掘，选出了重要程度排名前十的痴呆预测因子，并构建了UKB-DRP痴呆预测模型。这一模型对于全因痴呆及其重要亚型阿尔茨海默病均具有较高的预测效能。

　　“相比通过临床先验知识选取预测因子的候选策略，我们的研究将所有与痴呆症潜在相关的指标都纳入进来，通过机器学习选取预测因子，不仅可以反映更真实的情况，还发现了一些其他团队没有想到的指标。”郁金泰说，“这种基于数据驱动的研究方法，帮助我们在更广泛的表型数据中筛选出最优的预测因子组合，同时还摆脱了过分依赖临床先验知识对指标筛选的束缚。”

　　根据指标对痴呆预测模型的重要性，机器学习算法排列并筛选出了十个痴呆预测因子，分别是年龄、载脂蛋白E（ApoE）基因、认知配对测试时长、腿部脂肪百分比、服药数量、认知反应测试时长、呼气峰流量、母亲死亡年龄、慢性疾病和平均红细胞体积。

　　AUC值是对患者发病概率进行预估时最常用的指标，AUC值越接近1.0代表着检测方法预测的精度越高，模型的效果越好。研究显示，UKB-DRP痴呆预测模型对全因痴呆的预测AUC值为0.85，而对阿尔茨海默病的预测AUC值可达0.86—0.89。郁金泰告诉记者，UKB-DRP痴呆预测模型的效能比现有的其他预测模型更为精准。同时，这些预测因子能够在基层医疗机构中便捷获取，具有较广的应用前景。

　　新模型可在基层社区推广