编辑推荐：
痴呆诊断形势严峻，为解决现有非神经影像痴呆预测模型的局限，研究人员利用澳大利亚（AIBL）和美国（ADNI）队列数据开展研究。结果显示 APOE 基因型是痴呆诊断的最佳预测指标，该研究为痴呆诊断提供新思路，助力早期诊断干预。
在全球老龄化加剧的大背景下，痴呆问题愈发严峻。如今，超过 5500 万人饱受痴呆症的困扰，而且每年新增病例高达 1000 万。痴呆不仅是 65 岁以上老年人致残的主要原因，还让全球经济每年承受超过 1.3 万亿美元的沉重负担。及时诊断痴呆意义重大，它能让患者及其家人尽早获得支持和干预，提高生活质量，延长患者独立生活的时间，同时减轻医疗负担。
然而，当前多数痴呆诊断模型依赖神经影像技术，像磁共振成像（MRI）和正电子发射断层扫描（PET）。这些模型虽然性能和预测能力出色，但在实际临床应用中却困难重重。一方面，神经影像检查费用高昂，许多患者因健康保险覆盖不足或自付费用过高而难以承受；另一方面，偏远地区的患者更是面临检查不便的难题，而且检查等待时间长，还需要专业人员处理和解读结果，这使得痴呆诊断常常被延误。
为了解决这些问题，来自澳大利亚和美国的研究人员展开了深入研究。他们的研究成果发表在《Translational Psychiatry》杂志上。
研究人员从澳大利亚的 AIBL 和美国的 ADNI 这两个公开数据库获取数据。这些数据涵盖了参与者的医疗史、血液检测结果以及 APOE 基因型信息等 21 项临床变量。研究人员运用多种机器学习算法，包括基于树的算法（如分类和回归树（CART）、随机森林、梯度提升机（GBM）、极端梯度提升（XGBoost））和人工神经网络等。
研究结果如下：
- APOE 基因型的重要性：研究人员将 AIBL 和 ADNI 队列合并成一个大型数据集进行分析，发现 APOE 基因型对痴呆诊断的效用最高。在包含 APOE 基因型作为特征的模型中，神经网络的敏感性可达 0.83，阳性预测值（PPV）为 0.73 。通过 SHAP 分析进一步证实，APOE 基因型对模型预测痴呆诊断的贡献最大，是识别痴呆患者的关键因素。而尿素氮测试对模型性能也有一定贡献，但相对较小，主要在识别健康对照方面发挥作用。当排除 APOE 基因型后，所有模型的性能显著下降，这充分凸显了 APOE 基因型在痴呆诊断模型中的核心地位。
- 模型的泛化性问题：研究人员分别用 ADNI 和 AIBL 数据集进行训练和测试，发现模型的预测能力存在差异。当用 ADNI 数据集训练模型并在 AIBL 数据集测试时，模型的敏感性大幅下降，仅在 0.25 - 0.36 之间；而用 AIBL 数据集训练并在 ADNI 数据集测试时，敏感性有所提升，但特异性又降低了。深入研究发现，这种差异主要是由于 ADNI 和 AIBL 队列中 APOE 基因型的相对分布不同。在 AIBL 队列中，APOE4 携带者被误判为痴呆患者的情况较多，导致假阳性率高；而在 ADNI 队列中，APOE4 非携带者被误判为健康对照的情况相对较多，出现了一定数量的假阴性。进一步对 ADNI 和 AIBL 数据集分别进行独立分析发现，在 ADNI 数据集中，模型能很好地预测痴呆病例，敏感性较高；而在 AIBL 数据集中，模型则更擅长预测健康对照，这再次表明 APOE 基因型在不同队列中的预测效果存在差异。
在讨论部分，研究人员指出，尽管利用 “易于获得” 的临床指标开发痴呆诊断模型意义重大，但目前使用公开队列数据存在一些局限性。比如不同队列之间数据的一致性难以保证，像血液检测中尿素氮结果的差异可能与测量单位不同有关，但由于缺乏相关信息无法确定，这不仅限制了模型的临床应用，也影响了对模型的解释和推广；而且不同队列之间还存在许多变量缺失的情况，可能会影响模型的泛化性。不过，APOE 基因型始终是痴呆和健康对照的最强预测指标，它成本低、易获取且结果易解读，未来应考虑将其作为初级保健诊所中痴呆早期诊断的常规检测手段。
综上所述，这项研究为痴呆的诊断提供了重要的参考依据，明确了 APOE 基因型在痴呆预测模型中的关键作用，同时也指出了当前研究中存在的问题，为后续研究指明了方向，对推动痴呆早期诊断和干预具有重要意义。
