加州大学洛杉矶分校的研究人员基于对电子健康记录的详细分析，识别出了阿尔茨海默病发展的四条诊断路径。这项发现揭示了该疾病随时间推移的发展模式，强调了渐进性模式而非孤立的危险因素。
这项研究发表在《eBioMedicine》杂志上，基于对加州大学健康数据仓库中近25,000名患者的长期医学数据回顾。为了确保研究结果具有广泛适用性，研究团队还使用了“全美研究计划”（All of Us Research Program）进行了验证，该计划反映了美国人口的多样性。
与以往孤立地研究风险因素的研究不同，这一方法追踪了各种诊断出现的顺序，揭示了通常导致阿尔茨海默病的逐步进展。
多步骤轨迹优于单一风险因素
第一作者、加州大学洛杉矶分校医学信息学博士前学生Mingzhou Fu表示：“我们发现，多步骤轨迹比单一状况更能指示阿尔茨海默病的风险。理解这些路径可能会从根本上改变我们对该疾病早期检测和预防的方法。”
研究识别出了四条主要的轨迹集群：
- 精神健康路径：精神疾病导致认知能力下降
- 脑病路径：脑功能障碍状况随时间加剧
- 轻度认知障碍路径：认知能力逐渐下降
- 血管疾病路径：心血管疾病增加痴呆风险
每条路径都显示出不同的人口统计和临床特征，表明不同人群可能易感于不同的进展路径。
研究发现，约26%的诊断进展显示出一致的方向性顺序。例如，高血压通常先于抑郁发作，随后增加了阿尔茨海默病的风险。
加州大学洛杉矶分校神经学系助理教授、首席作者Timothy Chang博士表示：“识别这些顺序模式，而非孤立地看待诊断，可能帮助临床医生改进阿尔茨海默病的诊断。”
在独立人群中验证后，这些多步骤轨迹比单一诊断更能准确预测阿尔茨海默病的风险。这一发现表明，医疗保健提供者可以利用轨迹模式进行：
- 改进风险分层：在疾病进展早期识别高风险患者
- 针对性干预：在有害序列进展之前加以阻断
- 个性化预防：根据个体路径模式定制策略
在“全美研究计划”（All of Us Research Program）——一个多样且具有全国代表性的人群队列——中的验证确认了这些轨迹模式适用于不同人群和人口统计学特征。
研究方法
研究团队分析了5,762名患者贡献的6,794条独特的阿尔茨海默病进展轨迹。利用先进的计算方法，包括动态时间规整、机器学习聚类和网络分析，研究人员绘制了导致阿尔茨海默病的诊断之间的时间关系。
参考文献：“Identifying common disease trajectories of Alzheimer’s disease with electronic health records” by Mingzhou Fu, Sriram Sankararaman, Bogdan Pasaniuc, Keith Vossel 和 Timothy S. Chang, 2025年6月30日, eBioMedicine.
DOI: 10.1016/j.ebiom.2025.105831
资金支持：本研究得到了美国国家卫生研究院（NIH）国家老龄化研究所（NIA）的R01AG085518-01A1资助。此外，Fu和Chang还获得了NIH/NIA的K08AG065519-01A1资助，Chang和Vossel获得了NIH/NIA的UH2AG083254资助。Vossel还获得了多个NIH资助，包括R01AG081768A、R01NS033310、R01AG075955、R01AG058820、R01AG068317、U01NS100608和U24AG056270。Chang和Vossel还得到了加州公共卫生部（CDPH）慢性病控制司阿尔茨海默病计划的资助。Chang还获得了NIH国家神经疾病和中风研究所（NINDS）的U54NS123746资助。Sankararaman获得了美国国家科学基金会（NSF）的职业奖1943497和R35GM153406资助。Pasaniuc获得了NIH的R01HG009120、R01MH115676和R01HG006399资助。作者还得到了NIH国家转化科学促进中心（NCATS）通过加州大学洛杉矶分校临床与转化科学研究所UL1TR001881资助，以及加州大学健康数据驱动洞察与创新中心（CDI2）的分析和技术支持。
【全文结束】
