随着人类年龄超过成年早期，他们的身体和心理功能通常会随着时间逐渐下降。老年人中严重的认知能力衰退，最常见的原因之一是神经退行性疾病，这类疾病会导致大脑或周围神经系统中的神经元逐步丧失。以往研究发现，神经退行性疾病引发的认知衰退和记忆丧失，往往伴随着心理健康相关症状，如情绪低落、缺乏动力、焦虑以及易怒。然而，到目前为止，基于神经精神症状进行早期识别神经退行性疾病仍然具有相当挑战性。
重庆医科大学及重庆口腔疾病重点实验室的研究团队最近探索了一种结合生物样本与机器学习的方法，用于预测认知衰退的早期迹象。
他们在《转化精神病学》上发表的论文强调，这种方法在老年人大规模筛查中，尤其是在识别更容易罹患神经精神疾病或神经退行性疾病的人群方面，具有潜在应用价值。刘平、杨曾及其同事在论文中写道：“神经精神症状是神经退行性疾病引发认知衰退的早期指标，及时发现至关重要。”
研究团队的目标是开发并验证适用于老年人大规模神经精神症状筛查的方法，同时探索其潜在的代谢机制。他们利用机器学习分析唾液相关生物标志物开展研究。
为此，刘平、杨曾及同事招募了338名来自重庆社区医疗中心的老年参与者。参与者需要填写问卷提供人口统计信息，同时提供唾液样本和口腔微生物样本。研究人员还测量了与压力相关的标志物，如皮质醇水平和免疫细胞产生的细胞因子小蛋白。收集的数据被分为两个数据集：第一个数据集包含138名参与者，用于训练机器学习模型；第二个数据集包含200名参与者，用于验证模型在预测个体神经精神症状风险方面的能力。
团队开发并训练了多种机器学习模型，包括极端梯度提升（XGBoost）、支持向量机（SVM）和逻辑回归（LR）模型。随后，他们通过分析唾液和口腔微生物组样本中的生物标志物，测试模型识别神经精神症状高风险患者的能力。
研究结果显示，XGBoost模型的表现优于其他模型。基于该模型，研究团队还开发了一个社区医疗服务提供者可以轻松访问的平台，用于老年人群体的筛查。作者指出：“增强的XGBoost模型实现了最高性能，AUROC为0.936，F1分数为0.864，优于其他模型。”
逻辑回归模型被转化为计式图，使其在社区环境中便于评估神经精神症状风险。外部验证显示其预测能力强（AUROC = 0.986，F1评分 = 0.944）。富集和相关分析揭示了皮质醇和微生物与戊糖磷酸途径及肠道细菌共同抗原生物合成等通路的相互作用。
该团队开发的基于人工智能的筛查工具，有望在未来进一步完善，并在真实临床环境中应用。它可能帮助医疗服务提供者及早发现神经精神症状的出现，甚至是认知能力下降，从而规划干预和支持策略。刘平、杨曾及其同事写道：“增强的XGBoost模型和计式图为社区神经精神症状筛查提供了有前景的工具，而富集分析则揭示了其生物机制。”
初步结果显示，机器学习模型在生物数据分析及神经精神症状早期检测中具有重要潜力。其他神经科学家和精神病学研究者可能会借鉴这一研究，开发更多基于人工智能的平台，用于对老年人或其他高风险人群进行大规模筛查。
来源：medicalxpress（编译 / 整理：olaola）