机器学习算法能否准确预测记忆诊所患者 2 年痴呆症的发病率，这些预测与现有模型相比如何？
12月16日，来自埃克塞特大学的研究人员在JAMA Network上在线发表了题为“Performance of Machine Learning Algorithms for Predicting Progression to Dementia in Memory Clinic Patients”的研究论文，这些发现表明，机器学习算法仅使用 6 个变量就可以准确预测在记忆诊所接受护理的患者 2 年内发生的痴呆症。这些发现可用于为记忆诊所的决策辅助工具的开发和验证提供信息。
许多在专科机构（例如记忆诊所）接受评估的患者在第一次就诊时并未患有痴呆症。区分在临床相关时间范围内继续发展为痴呆症的患者和保持无痴呆症的患者很重要，因为这种洞察力可以用于优先考虑患者进行后续调查和干预。
识别患痴呆症的高风险患者对临床医生来说是一项挑战。一种方法是在最初评估时关注轻度认知障碍 (MCI) 患者并邀请这些患者进行随访。然而，这可能会导致对不是随访目标但发展为痴呆症的患者和目标为进一步调查但未发展为痴呆症的患者的严重错误分类。大多数记忆临床 MCI 患者即使在 10 年后也不会进展为痴呆，年转化率为 9.6%。
临床决策辅助工具可以提高临床医生估计痴呆症发作的能力。现有的临床决策辅助工具可用于估计不同人群中痴呆症的中长期发病率。例如，心血管风险因素、衰老和痴呆症发病率 (CAIDE) 风险评分旨在预测中年人 20 年后患痴呆症的风险，而简要痴呆症筛查指标 (BDSI)旨在识别老年人患者通过确定他们在 6 年内患痴呆症的风险来进行认知筛查。然而，还没有开发出临床决策辅助工具来预测记忆诊所在较短的临床相关时期内的痴呆发病率。
机器学习 (ML) 允许利用来自大型复杂数据集的信息。最近，它已被应用于痴呆症诊断和风险预测。然而，这些模型通常包含常规临床实践中通常不可用的信息，例如高级神经影像学、基因检测和脑脊液生物标志物，将临床应用限制为专科医生或研究设置。
使用来自美国国家阿尔茨海默病协调中心 (NACC) 的记忆临床数据调查了 ML 技术是否可用于预测 2 年期间痴呆症的发病率。还检查了ML模型达到完整诊断性能所需的最小变量集。
在这项对 15307 名没有痴呆症的记忆诊所参加者的数据进行的预后研究中，与 2 个现有的预测模型相比，机器学习算法在预测 2 年内发生的痴呆症的能力方面更胜一筹。机器学习算法只需要 6 个变量即可达到至少 90% 的准确度，并且接收器操作特征曲线下的面积为 0.89。
这些发现表明，机器学习算法可用于准确预测 2 年痴呆风险，并可能构成临床决策辅助的基础。
参考文献：
http://dx.doi.org/10.1001/jamanetworkopen.2021.36553