编辑推荐：
为探讨体动记录仪（Actigraphy）在 AD 诊断中的价值，研究人员对 70 例 AD、29 例 DLB、23 例 CVD 患者及 48 例健康对照开展单中心横断面研究。利用机器学习分类器分析发现，其鉴别 AD 与其他痴呆病因的准确率达 80%-89%，为 AD 鉴别诊断提供新工具。
随着全球老龄化加剧，阿尔茨海默病（AD）的诊疗需求日益迫切。传统诊断依赖神经影像学和脑脊液检测，存在有创、成本高及操作复杂等局限。同时，AD 与路易体痴呆（DLB）、脑血管病所致认知障碍（CVD）等的鉴别诊断困难，亟需便捷、无创的辅助工具。体动记录仪作为一种可穿戴传感器技术，能连续监测日常活动模式和昼夜节律，其在 AD 诊断中的潜力引发关注。基于此，丹麦哥本哈根大学医院（Copenhagen University Hospital）等机构的研究人员开展了相关研究，旨在评估体动记录仪结合机器学习分类器在 AD 诊断及痴呆病因鉴别中的效能。该研究成果发表在《Alzheimer's Research & Therapy》，为 AD 的精准诊断提供了新方向。
研究采用单中心横断面设计，纳入 70 例 AD（含 MCI 和痴呆阶段）、29 例 DLB、23 例 CVD 患者及 48 例健康对照（HC）。所有参与者佩戴双传感器（SENS Motion?）在家中进行为期 1 周的体动记录。通过专有算法从原始加速度数据中提取步行、休息等活动模式，并计算包括昼夜节律稳健性和碎片化在内的 510 个活动相关特征。利用逻辑回归构建机器学习分类器，评估其预测准确性和精确性。
研究结果
1. 各组活动模式及昼夜节律差异
AD 患者白天中等强度活动和步行时间显著少于健康组。疾病组（AD、DLB、CVD）的昼夜节律稳健性较低、碎片化程度更高，但 AD 组与健康组在昼夜节律参数上差异不显著。DLB 和 CVD 组的活动水平下降更明显，混合 AD+CVD 组活动水平最低。
2. 机器学习分类器诊断效能
- AD vs 健康对照：分类器准确率为 68.8%，与仅使用总体日活动水平的单特征模型相近，F1 分数均超 75%。
- 健康对照 vs 疾病组：区分所有疾病组与健康对照的准确率为 75.3%，F1 分数 84.7%，敏感性达 95.1%。
- AD vs DLB：全特征模型准确率超 80%，敏感性（62.1% vs 24.1%）和 F1 分数显著优于单特征模型。
- AD vs 混合 AD+CVD 及 VCD：准确率达 89%，敏感性 69.6%，特异性 95.7%。
3. 特征重要性
夜间活动、步行碎片化及夜间坐姿活动是关键鉴别特征。例如，CVD 组步行碎片化程度更高，DLB 组昼夜节律变异性更大。
研究表明，体动记录仪结合机器学习能有效鉴别 AD 与其他痴呆病因（DLB、CVD），准确率达 80%-89%，为 AD 的鉴别诊断提供了无创、可居家实施的辅助工具。尽管在区分 AD 与健康对照时效能有限，但在痴呆亚型鉴别中展现出独特价值，尤其对 DLB 和 CVD 的精准识别具有重要临床意义。该技术有望成为传统诊断方法的补充，助力记忆门诊实现更高效的病因鉴别，推动 AD 诊疗向数字化、无创化方向发展。未来需在更大样本及纵向研究中验证，并探索与传统生物标志物的联合应用价值。
