编辑推荐：
阿尔茨海默病（AD）影响众多人群，经济负担巨大，急需早期诊断标记物。研究人员开展可穿戴睡眠监测用于 AD 筛查研究，利用 AI 算法分析数据，发现单通道脑电图（EEG）和加速度计（ACM）生理特征可有效检测 AD，为 AD 无创筛查带来希望。
在全球老龄化加剧的当下，阿尔茨海默病（Alzheimer’s disease，AD）已然成为一个严峻的公共健康挑战。约 5000 万人受其困扰，它不仅严重损害患者的认知功能和生活质量，还给家庭和社会带来了沉重的经济负担。目前，AD 早期诊断困难重重，缺乏敏感的生物标记物，传统的诊断方法如医院多导睡眠监测（polysomnography，PSG）虽为金标准，但因其操作复杂、成本高昂，难以用于大规模人群筛查。而睡眠与 AD 之间存在着紧密联系，睡眠变化甚至在认知症状出现前就已发生，这使得睡眠监测有望成为 AD 早期无创诊断的突破口。在此背景下，来自比利时鲁汶大学（KU Leuven）等机构的研究人员开展了相关研究，其成果发表在《npj Aging》上，为 AD 的早期筛查带来了新的曙光。
研究人员采用了一系列先进技术方法。首先是多模态数据采集，同时使用 PSG 和可穿戴设备（SensorDot），获取 67 名无认知症状的老年人和 35 名 AD 患者的脑电图（electroencephalography，EEG）和加速度计（accelerometry，ACM）数据 。接着利用 SeqSleepNet 这一先进的 AI 模型进行睡眠分期，从睡眠图和生理信号中提取特征。最后，训练多层感知器（multi - layer perceptron，MLP）用于 AD 检测，并通过弹性网络确定关键特征。
研究结果
- 数据集和人群特征：研究数据来自两项横断面研究，包括高级睡眠数据集（Senior Sleep Dataset）和阿尔茨海默病睡眠数据集（Alzheimer’s Sleep Dataset）。合并数据集共 147 人，其中 35 人确诊 AD，12 人处于前驱期 AD，112 人为认知正常老年人（cognitively intact elderly，CIE）。数据集被分为训练集（n = 45）和测试集（n = 102） 。
- 睡眠分期：SeqSleepNet 模型在多模态可穿戴设备上进行五分类睡眠分期的总体性能为 65.5%，Cohen’s kappa 评分为 0.498，与 PSG 上的睡眠分期模型相比低 11.4%，但进一步微调可提升 4.8% 。
- AD 患者检测：生理特征在区分 AD 和 CIE 方面远超睡眠图特征，基于可穿戴设备单通道 EEG 和 ACM 数据、经 AI 评分的 MLP 模型检测 AD 的 AUC 可达 0.90，检测前驱期 AD 的 AUC 为 0.76 。睡眠分期有助于组织 EEG 特征，但即使不进行睡眠分期，修改后的生理特征仍比单独的睡眠图特征分类效果好。此外，阻塞性睡眠呼吸暂停（obstructive sleep apnea，OSA）和年龄对基于生理特征的 AD 检测模型性能影响较小 。
- 特征洞察和选择：通过与简易精神状态检查表（Mini - Mental State Examination，MMSE）评分的相关性分析以及特征重要性分析发现，与 AD 相关的睡眠图特征主要涉及 N3 和 REM 的分布、睡眠开始后觉醒（wake after sleep onset，WASO）和浅睡眠量；重要的 EEG 特征包括清醒和浅睡眠时的 α 和 θ 频段以及 REM 期间的慢活动等 。
研究结论表明，AI 算法能够基于睡眠测量区分 AD 患者和 CIE 个体，生理特征尤其是与清醒、浅睡眠和 REM 期间 EEG 减慢以及 N3 期间慢波活动减少相关的特征，是 AD 最有价值的诊断特征。可穿戴设备的单通道 EEG 和 ACM 包含足够的 AD 检测信息，无需完美的五分类睡眠评分。该研究为 AD 早期筛查提供了新方向，有望推动大规模家庭 AD 筛查的发展，为早期干预和治疗争取时间，改善患者预后。不过研究也存在样本方面的局限性，如 CIE 定义标准不一致、患者年龄差异、数据集环境因素不同等。未来需在更大的前驱期 AD 队列和临床前期 AD 人群中进一步优化和扩展研究，以更好地实现 AD 早期筛查的临床应用。
