阿尔茨海默病研究突破：AI驱动的手环传感器模型

与大冢制药株式会社合作，大分大学在阿尔茨海默病（AD）研究中取得了重大里程碑。研究团队开发了首个机器学习模型，能够使用手环传感器数据预测大脑淀粉样蛋白β（Aβ）的积累。这一突破性模型于2023年12月12日发表在《阿尔茨海默病研究与治疗》杂志上，有望提供一种更易获取且非侵入性的方法来筛查大脑Aβ积累，这是阿尔茨海默病的关键因素。

彻底改变阿尔茨海默病的筛查和预测

新开发的机器学习模型代表了阿尔茨海默病检测的转变。传统方法，如正电子发射断层扫描（PET）和脑脊液测试，通常受限于其高昂的成本、侵入性和可用性。相比之下，新模型利用易于获取的生物和生活方式数据，这些数据来自手环传感器和医疗咨询。这些数据包括身体活动、睡眠模式、心率以及各种生活方式因素，如社交互动和交通方式。

该模型整合了这些全面的数据，以预测大脑中Aβ（淀粉样蛋白β）积聚的可能性。该模型已显示出令人鼓舞的结果，其曲线下面积（AUC）评估指数为0.79，表明在准确筛查方面具有巨大潜力。这种方法不仅使阿尔茨海默病的筛查变得更加可行，还减轻了患者的经济负担和身体负担，尤其是在难以获得先进医疗检测设备的地区。

阿尔茨海默病管理的转折点

该模型的开发恰逢其时，因为日本正面临超老龄化社会的挑战，痴呆症患者人数不断上升。缺乏运动、社会孤立和睡眠障碍等生活方式因素，以及高血压、糖尿病和心血管疾病等疾病，都是阿尔茨海默病的已知风险因素。因此，该模型成为早期检测和干预的关键工具，这对于有效管理阿尔茨海默病至关重要。

该研究利用了日本大分县臼杵市一项前瞻性队列研究的数据，涉及122名患有轻度认知障碍或主观记忆障碍的个体。参与者年龄在65岁及以上，每三个月佩戴腕带传感器约七天，提供连续的生物数据。这些数据与通过医疗咨询获得的生活方式信息相结合，并使用支持向量机、弹性网络（Elastic Net）和逻辑回归等机器学习技术进行分析。

该研究确定了22个影响Aβ积聚预测的常见因素，强调了综合方法在阿尔茨海默病预测中的重要性。这些因素包括体力活动、睡眠质量、心率和社交互动指标，突显了生物因素与生活方式因素在阿尔茨海默病发展中的复杂相互作用。

对未来阿尔茨海默病研究和治疗的启示

这种新颖的方法为阿尔茨海默病的研究和治疗开辟了新的途径。它强调了整体患者数据在理解和预测疾病进展方面的重要性。此外，该模型的非侵入性和可及性使其成为全球抗击阿尔茨海默病运动中不可或缺的工具，为不同人群的早期检测和干预带来了希望。

鉴于阿尔茨海默病仍然是全球面临的一项重大健康挑战，此类模型的进步至关重要。它们不仅增强了我们对疾病的理解，还为更有效和个性化的治疗策略铺平了道路。大分大学与卫材株式会社（Eisai Co., Ltd.）的合作证明了将医学研究与尖端技术相结合的力量，为追求更好的医疗解决方案树立了新标准。