加州大学洛杉矶分校健康研究人员通过分析电子健康记录，确定了导致阿尔茨海默病的四种不同路径，这为疾病如何随时间发展而非由孤立的风险因素引发提供了新的见解。
这项研究发表在《eBioMedicine》杂志上，研究了近25,000名来自加州大学健康数据仓库的纵向健康数据，并在全国多样化的“All of Us”研究项目中验证了研究结果。
与之前关注个体风险因素的研究不同，加州大学洛杉矶分校的分析绘制了逐步诊断模式，揭示了条件如何一步步进展为阿尔茨海默病。
“我们发现多步骤轨迹可能比单一条件更能指示阿尔茨海默病的风险因素，”加州大学洛杉矶分校医学信息学博士生、第一作者傅明舟（Mingzhou Fu）表示。“理解这些路径可能会从根本上改变我们应对早期检测和预防的方法。”
研究确定了四个主要轨迹群集：
- 心理健康路径：精神疾病导致认知能力下降
- 脑病路径：脑功能障碍条件随着时间逐渐恶化
- 轻度认知障碍路径：认知能力逐渐下降
- 血管疾病路径：心血管条件增加痴呆风险
每条路径都显示出独特的人口统计和临床特征，表明不同人群可能对不同的进展路线敏感。
研究发现，大约26%的诊断进展显示了一致的方向性排序。例如，高血压常先于抑郁发作，而抑郁则增加了阿尔茨海默病的风险。
“认识到这些顺序模式，而不是孤立地关注诊断，可能有助于临床医生改进阿尔茨海默病的诊断，”资深作者、加州大学洛杉矶分校健康神经学助理教授张提摩太（Timothy Chang）博士说道。
当在独立人群中验证时，这些多步骤轨迹比单独的单个诊断更能准确预测阿尔茨海默病风险。这一发现表明医疗保健提供者可以利用轨迹模式进行：
- 增强风险分层：在疾病进展早期识别高风险患者
- 靶向干预：在有害序列进一步发展前中断它们
- 个性化预防：根据个人路径模式定制策略
在“All of Us”研究计划——一个多样化、全国代表性的队列——中的验证确认了这些轨迹模式适用于不同人口和人口统计学。
该团队分析了5,762名患者，他们贡献了6,794条独特的阿尔茨海默病进展轨迹。研究人员使用包括动态时间规整、机器学习聚类和网络分析在内的先进计算方法，映射了导致阿尔茨海默病的诊断之间的时序关系。
更多信息：傅明舟等，《用电子健康记录识别阿尔茨海默病的常见疾病轨迹》，《eBioMedicine》（2025）。DOI：10.1016/j.ebiom.2025.105831
(全文结束)
