数字多日学习范式:解锁早期阿尔茨海默病认知 deficits 的新钥匙

【字体: 时间:2025年01月23日 来源:npj Digital Medicine 12.4

编辑推荐:

  阿尔茨海默病(AD)临床前阶段认知变化难以察觉。研究人员借助波士顿远程神经认知健康评估(BRANCH)开展多日学习曲线研究。结果显示,BRANCH 多日学习曲线(MDLCs)与 AD 病理进展相关。该研究为认知衰退研究提供新视角。

  在人口老龄化加剧的当下,阿尔茨海默病(Alzheimer's disease,AD)成为全球健康领域的重大挑战。AD 有漫长的临床前阶段,在此期间,虽然患者未出现明显的认知障碍,但大脑已悄然发生多种病理生理变化。传统的年度认知测试,就像在漫长的疾病进程中偶尔瞥一眼,难以捕捉到临床前 AD 阶段细微的认知变化,导致许多潜在患者无法被及时发现,错过最佳干预时机。而且,以往研究发现,AD 相关的认知轨迹变化起初并非表现为测试分数下降,而是在重复认知测试中缺乏预期的改善,这一现象在记忆测试中尤为明显,意味着 AD 病理可能在早期就影响了记忆巩固过程。因此,开发更敏感的认知测试方法,尽早发现临床前 AD 的认知变化迫在眉睫。
为攻克这一难题,来自美国哈佛医学院附属麻省总医院和布莱根妇女医院的研究人员开展了一项意义重大的研究。他们利用波士顿远程神经认知健康评估(Boston Remote Assessment for NeuroCognitive Health,BRANCH),对不同淀粉样蛋白 -β(amyloid-β,Aβ)和 tau 蛋白生物标志物谱的认知正常老年人进行多日学习曲线(multi-day learning curves,MDLCs)研究,相关成果发表在《npj Digital Medicine》杂志上。

研究人员运用了多种关键技术方法。在样本选取上,从哈佛衰老大脑研究(Harvard Aging Brain Study,HABS)、日常生活工具性活动研究和主观认知下降研究中挑选出 167 名社区居住的认知正常(cognitively unimpaired,CU)老年人。采用多日 BRANCH 范式,通过在个人设备上进行为期 7 天的网络评估,涵盖两个联想记忆测试(面部名称和杂货价格测试)和一个带有联想记忆成分的处理速度测试(数字符号测试) 。利用正电子发射断层扫描(positron emission tomography,PET)技术获取 Aβ 和 tau 蛋白的成像数据,并借助磁共振成像(Magnetic resonance imaging,MRI)测量皮质厚度。

下面来看具体的研究结果:

  • 样本特征:167 名参与者(平均年龄 74.3 岁,63% 为女性)根据 Aβ 和 tau 蛋白生物标志物状态分为 A-T-、A+T - 和 A+T + 三组。A-T - 组较年轻,三组在人口统计学和临床特征上无其他显著差异,但在生物标志物和皮质厚度方面存在差异,A-T - 组皮质厚度最高,A+T - 组最低12
  • BRANCH MDLCs across A/T biomarker profiles:线性回归分析表明,第 1 天的准确性分数在各组间无差异,但 BRANCH 综合 MDLC 分数在生物标志物升高的组中降低,A+T + 组比 A-T - 组表现更差,A+T - 组数值上比 A-T - 组差但未达显著水平。不同测试中,Aβ 和 tau 状态对 MDLCs 的影响不同,A + 与数字符号测试中 MDLCs 降低相关,A+T + 与面部名称和杂货价格测试中 MDLCs 降低相关34
  • BRANCH MDLC scores and AD signature cortical thickness:BRANCH 综合第 1 天分数与 AD 特征区域皮质厚度无关联,而较差的 BRANCH 综合 MDLC 分数与更大的 AD 特征皮质变薄相关,这主要由数字符号和面部名称任务驱动5

在研究结论和讨论部分,研究表明多日远程数字记忆测试可揭示 CU 老年人记忆巩固差异,MDLCs 能追踪 AD 病理进展阶段。不同 BRANCH 测试对 A/T 生物标志物相关记忆巩固差异的捕捉不同,Aβ 主要影响数字符号测试的 MDLCs,而 tau 在 Aβ 存在时影响面部名称和杂货价格测试的 MDLCs。MDLCs 与 AD 特征区域皮质变薄相关,且这些关联无法通过第 1 天的单一时间点分数检测到。

这项研究具有多方面重要意义。它为理解临床前 AD 认知下降本质提供新视角,改变了传统认知测试模式,加速检测以往需多年才能发现的认知现象。在 AD 研究和临床试验中,数字认知评估可提高效率、精度和标准化程度,BRANCH 范式有潜力用于大规模筛查、辅助药物干预选择和跟踪治疗效果。不过,研究也存在局限性,样本多样性不足,对数字技能有要求,测试环境难以控制,部分样本量小等。未来研究可针对这些问题展开,进一步验证 BRANCH 范式的有效性。

相关新闻
生物通微信公众号
微信
新浪微博
  • 急聘职位
  • 高薪职位

知名企业招聘

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号