Front Aging Neurosci︱曾雁冰团队建立预测模型并揭示行为方式变化对老年人认知障碍的影响

撰文︱王硕佳

责编︱王思珍

编辑︱杨彬伟

认知能力下降可能发展为认知障碍（cognitive impairment）。随着预期寿命的提高和人口老龄化的加剧，将有大量的老年人口存在认知障碍发生的高风险[1]。严重的认知障碍会导致老年人健康状况不佳，也会对其家庭和社会造成巨大的损失[2,3]。导致认知障碍的致病途径是多因素的，目前尚不明确。另外，由于缺乏对认知障碍的有效治疗，预防和早期发现至关重要。

机器学习技术有助于揭示研究因素和结果之间潜在的关联[4]。脑成像、血液生物标志物等不可改变的因素与认知障碍的发生相关，但是这些因素无法进行提前干预。另外，有研究表明，社会参与、体育活动等多种可改变的因素对认知障碍发生具有保护作用[5,6]。然而，参与活动的种类与频率变化是否与认知障碍发生相关尚不清楚。

2022年8月，首都医科大学曾雁冰副教授团队与腾讯天衍实验室团队在Frontiers in Aging Neuroscience上发表了题为“Using machine learning algorithms for predicting cognitive impairment and identifying modifiable factors among Chinese elderly people”的文章，提出了认知障碍风险的预测模型，并探究了行为方式变化对认知障碍的影响。王硕佳和王伟任为论文共同第一作者，曾雁冰副教授为论文通讯作者。在此项研究中，作者基于中国老年健康调查（CLHLS）数据构建了老年人早期认知障碍发生风险预测模型，并发现参与更多的休闲活动、园艺工作，及参与更多种类的活动与降低认知障碍风险相关。

首先，为了提供一种早期的认知障碍发生风险的预测方法，作者利用2002年至2014年的CLHLS数据，纳入了社会人口学信息、心理状况、生活方式、社交/娱乐活动、日常生活能力量表（Activity of Daily Living Scale，ADL）、慢性疾病等信息。基于顺序前向浮动选择（sequential forward floating selection，SFFS）进行特征选择。在模型方面，研究者选择了XGboost、random forest（RF）、logistic regression（LR）、support vector machine （SVM）、lightGBM（LGB）与multilayer perceptron（MLP），并采用了stacking模型集成方法。通过特征选择，共有12个不同特征被选出，其中年龄、教育程度、看电视/听广播、基线简易精神状态检查量（MMSE）水平等在多个模型均被选出。受试者工作特征曲线 （receiver operating characteristic curve，ROC）显示，SVM模型性能最佳，该模型的AUC为0.8267，MLP、LR和LGB模型的AUC分别为0.8256、0.8248和0.8238，集成后的模型结果进一步将AUC提高至0.8269。结果提示，机器学习模型尤其是集成模型可以应用于识别老年人认知障碍的发生风险（图1, 表1）。

图1 预测模型流程图

（图源：Wang SJ et al.,Front Aging Neurosci, 2022）

表1 预测模型结果

（表源：Wang SJ et al., Front Aging Neurosci, 2022）

除不可改变的因素外，研究者还关注了纵向的行为改变与参与的活动种类变化与认知障碍发生的关联，以便更好地服务于政策管理与干预。研究提示，从事更高频率的打麻将/打牌活动、更多地做园艺工作、增加看电视/听广播的频率与三年后认知障碍发生风险的降低有关（表2）。另外，作者还发现参与活动的种类增加与降低三年后认知障碍发生风险相关（表2）。相比于种类不发生变化的人群，种类减少与种类增多的OR值分别8.47（95% CI: 4.81-14.91）与0.06（95% CI: 0.01-0.47）。

表2  行为方式变化与认知障碍的关联

（表源：Wang SJ et al.,Front Aging Neurosci, 2022）

文章结论与讨论，启发与展望

综上所述，该研究提供了一个融合模型作为一个简单的工具来筛查认知障碍，这些发现对老年人健康具有潜在的公共卫生意义，可以帮助开发新工具，用于社区中的早期识别，特别是针对相对年轻的老年人群体和目前认知功能正常的老年人群体。另外，此研究也提示，多做休闲活动与园艺工作、多参加各类活动等可改变的行为方式可以降低认知障碍的发生风险。本研究还存在某些不足，比如与其他研究相似的是研究者排除了MMSE缺失的人群[7,8]，然而无法确定缺失的原因，可能是由于严重的认知障碍所致，因此可能存在选择偏移。另外，虽然该研究基于4次调查的数据并使用了交叉验证的方法，但结果需要在另一个队列中进行验证。

原文链接：https://www.frontiersin.org/articles/10.3389/fnagi.2022.977034/full

特别感谢天衍实验室郑冶枫老师对文章修改与写作方面的帮助。该研究得到了国家自然科学基金、首都卫生管理与政策研究基地开放性课题等项目的支持。

第一作者王硕佳（左），共同一作王伟任（中），通讯作者曾雁冰（右）。

（照片提供自：首都医科大学曾雁冰课题组/腾讯天衍实验室）

往期文章精选优质科研培训课程推荐论坛/研讨会预告欢迎加入“逻辑神经科学”【1】人才招聘︱“ 逻辑神经科学 ”诚聘文章解读/撰写岗位 ( 网络兼职, 在线办公)

参考文献（上下滑动阅读） 

1.Karlamangla AS, Miller-Martinez D, Aneshensel CS, Seeman TE, Wight RG, Chodosh J: Trajectories of cognitive function in late life in the United States: demographic and socioeconomic predictors. Am J Epidemiol 2009, 170:331-342.

2.Langa KM, Larson EB, Karlawish JH, Cutler DM, Kabeto MU, Kim SY, Rosen AB: Trends in the prevalence and mortality of cognitive impairment in the United States: is there evidence of a compression of cognitive morbidity? Alzheimer's & dementia: the journal of the Alzheimer's Association 2008, 4:134-144.

3.Hao Q, Dong B, Yang M, Dong B, Wei Y: Frailty and Cognitive Impairment in Predicting Mortality Among Oldest-Old People. Frontiers in Aging Neuroscience 2018, 10.

4. Bratić B, Kurbalija V, Ivanović M, Oder I, Bosnić Z: Machine Learning for Predicting Cognitive Diseases: Methods, Data Sources and Risk Factors. J Med Syst 2018, 42:243.

5.Pan X, Chee KH (2019) The power of weak ties in pre- serving cognitive function: A longitudinal study of older Chinese adults. Aging Ment Health 24, 1046-1053.

6.Grande G, Vanacore N, Maggiore L, Cucumo V, Ghiretti R, Galimberti D, Scarpini E, Mariani C, Clerici F (2014) Physical activity reduces the risk of dementia in mild cognitive impairment subjects: A cohort study. J Alzheimers Dis 39, 833-839.

7. Hu X, Gu S, Zhen X, Sun X, Gu Y, Dong H: Trends in Cognitive Function Among Chinese Elderly From 1998 to 2018: An Age-Period-Cohort Analysis. Frontiers in Public Health 2021, 9.

8.Lv X, Li W, Ma Y, Chen H, Zeng Y, Yu X, Hofman A, Wang H: Cognitive decline and mortality among community-dwelling Chinese older people. BMC Med 2019, 17:63.

本文完