使用特征选择评估痴呆及其前驱疾病进展中的认知特征 - 认知障碍

使用特征选择评估痴呆及其前驱疾病进展中的认知特征Cognitive feature evaluation for disease progression in ...

环球医讯 / 认知障碍来源：link.springer.com美国 - 英语2025-08-11 17:36:21 - 阅读时长3分钟 - 1472字

本研究通过特征选择方法评估阿尔茨海默病临床评估量表-认知13项(ADAS-Cog13)中的认知特征，发现延迟词语回忆是早期认知衰退的关键指标，而定向能力则反映疾病后期的执行功能下降。研究利用ADNI数据库纵向数据分析了从认知正常到轻度认知障碍(MCI)及MCI向阿尔茨海默病转化的两个队列，通过特征-特征相关性分析与排列特征重要性(PFI)方法，揭示了不同阶段的认知标记物变化规律，证实了数据驱动方法在痴呆进展监测中的应用价值。

摘要

研究目的

痴呆表现为记忆减退、认知障碍及语言问题等症状。阿尔茨海默病(AD)等早期筛查对干预至关重要。当前神经心理学评估耗时且资源密集，病理评估则具侵入性且成本高昂。本研究采用成本效益高的数据驱动方法，探索不同痴呆亚组在疾病进展中的关键认知特征。

研究方法

基于阿尔茨海默病神经影像倡议(ADNI)数据库的ADAS-Cog13评估数据，采用特征-特征相关性分析、排列特征重要性(PFI)及机器学习算法，分析从基线诊断到36个月期间认知正常-轻度认知障碍(CN-MCI)及MCI-AD两个群体的认知特征。

研究结果

特征-特征分析显示：词语回忆、延迟回忆与识别任务在CN-MCI和MCI-AD组间呈强相关性，而命名、指令理解和意象性失用症任务相关性低，提示其反映不同的DSM-5认知领域，适合作为早期筛查指标。PFI分析表明，延迟词语回忆是早期进展的核心认知标记，而定向能力在后期凸显，反映执行功能和注意力衰退的转变。

研究结论

本研究揭示了ADAS-Cog13认知特征间的动态关系，展示了数据驱动机器学习方法在识别痴呆进展标记物中的应用价值。

引言

痴呆表现为记忆障碍、语言紊乱、心理改变及日常活动受损。全球患病率持续上升，英国预计到2040年将达到160万人。研究重点转向数据驱动技术改善痴呆诊断，特别是通过人工智能和机器学习方法开发经济可靠的筛查工具。

主要早期评估指标包括记忆、思维等认知能力。认知能力下降可提示AD等早期状况。DSM-5诊断标准包含六个认知领域中的显著衰退及日常功能受损两大要素。虽然已有研究探索认知特征与痴呆诊断的关系，但通过机器学习识别疾病进展特征的研究仍较少。特征选择技术可降低数据维度，定位临床相关认知项。区分不同痴呆亚组的认知特征尤其重要，因MCI等前驱状态的评估更具挑战性。