智能手机与智能手表远程评估脑健康：大规模虚拟观察研究验证轻度认知障碍的数字识别新策略

《InFo Neurologie + Psychiatrie》：Beginnende Demenz per Smartphone identifizieren?

本文推荐一项发表于《自然·医学》的重要研究：为应对阿尔茨海默病早期诊断资源有限的挑战，Butler等人开展了一项大规模远程观察研究，通过分析智能手机与手表的交互及被动使用数据，结合人口统计学变量，实现了对轻度认知障碍(MCI)的高精度分类（准确率达85%）。这为早期阿尔茨海默病的筛查提供了高效、可扩展的数字工具，对推进疾病修饰治疗具有重要意义。

　　

随着人口老龄化加剧，神经退行性疾病如阿尔茨海默病(Alzheimer's disease, AD)的负担日益加重。近年来，疾病修饰免疫疗法已被批准用于治疗AD，但这些疗法仅在疾病非常早期的阶段有效。然而，识别处于这些早期阶段的AD患者面临巨大挑战，因为传统的诊断方法——如详细的神经心理学评估、脑影像学检查和脑脊液分析——不仅耗时，而且成本高昂，需要专门的医疗资源和设备。这导致许多可能受益于新疗法的患者无法获得及时诊断和治疗，形成了医疗资源与患者需求之间的严重不匹配。因此，开发能够高效、低成本地筛查早期认知缺陷的工具，作为后续深入诊断的“过滤器”，变得至关重要。数字健康技术的兴起，特别是智能手机和智能手表的普及，为解决这一难题提供了新的契机。这些设备能够持续、被动地收集大量与行为、认知和运动功能相关的实时数据，为客观、远程监测脑健康变化提供了前所未有的可能性。

在此背景下，Butler PM、Yang J、Brown R等研究人员在《自然·医学》(Nat Med) 2025年第31卷第829-839页发表了一项开创性研究，题为“基于智能手表和智能手机的脑健康远程评估与轻度认知障碍检测”。这项研究旨在验证一个核心问题：能否通过分析智能手机使用中的特定标准，对轻度认知障碍(Mild Cognitive Impairment, MCI)进行分类并描绘其认知发展轨迹？MCI是AD常见的前驱阶段，其特征是出现客观、可测量的认知缺陷，但日常功能尚未严重受损。如果能够利用日常数字设备数据准确识别MCI，将极大简化早期筛查流程，优化医疗资源配置。

为了回答这个问题，研究人员在美国进行了一项大规模、远程、虚拟观察研究。这项研究招募了18,934名年龄在50至86岁之间的成年人作为参与者。入选条件要求参与者至少在连续12个月的时间内，每天使用智能手机和智能手表超过4小时，并同意通过专门的应用程序共享其设备数据。这种基于人群的大样本长期跟踪，为研究提供了丰富的真实世界数据。

研究采用多模态纵向数据分析方法，结合了主动式和被动式数据收集策略。

主要关键技术方法概述：

本研究核心技术方法包括：1) 远程虚拟观察队列构建：纳入18,934名50-86岁成年人，要求至少12个月内每日提供超过4小时的智能手机/手表数据；2) 多模态数据采集：通过定制App收集交互式认知测试数据（如神经心理学测试App）以及被动设备使用数据，后者涵盖设备与应用使用时长、键盘输入指标、短信与通话模式、环境噪音与语音识别、面部影像指标、计步器数据、加速度与角速度坐标等；3) 统计建模与分类：对采集的纵向数据进行统计分析，构建MCI分类模型，并纳入年龄、性别、教育水平等人口统计学变量进行校正。最终确诊的556例MCI（平均67岁，56%女性）包含临床确诊及自我报告后经远程访视（含电话版蒙特利尔认知评估Tele-MoCA）确认的病例，模型以此为基础评估分类准确性。

研究结果

MCI病例的分类与模型准确性

研究最终通过数据分析成功分类出556例MCI患者，这些病例的平均年龄为67岁，其中56%为女性。重要的是，所有这些MCI病例都经过了严格的临床确认。它们要么是已有的、经过标准临床程序确诊的MCI病例，要么是参与者自我报告疑似MCI，随后通过一个专门的远程研究访视得到了确认，该访视中包含了电话版的蒙特利尔认知评估(Tele-MoCA)作为客观认知测量工具。基于这些金标准确认的病例，研究开发出的分类模型在区分MCI个体与认知正常个体方面表现出色。分析结果显示，仅通过分析移动设备数据（结合关键人口统计学变量），模型对MCI进行分类的准确度达到了85%。这证明从日常数字行为中提取的特征能够有效反映潜在的认知状态。

多模态数据源的有效性

本研究的一个突出优势在于其综合性的数据采集方法。分析不仅依赖于交互式的应用程序，这些程序专门设计用于进行认知测试（主动评估），还充分利用了被动测量数据，即从参与者日常、常规使用设备的过程中自然产生的信息。这些被动数据源极其广泛，包括：设备和特定应用程序的使用时长和模式；键盘输入的各种指标（如输入速度、错误率）；短信和电话的使用频率与特点；通过麦克风收集的环境噪音和用户语音特征进行分析识别；利用前置摄像头获取的面部影像数据并提取相关度量指标；设备内置的计步器记录的活动量；以及来自运动传感器的加速度和身体角速度坐标。这种多模态途径意味着评估并不依赖于单一的测试或行为，而是从沟通、运动、日常生活活动等多个维度构建一个全面的数字表型，从而提高了评估的稳健性和生态效度。

研究结论与意义

这项大规模虚拟观察研究提供的概念验证数据证实，通过智能手机和手表上的应用程序直接捕获交互式和被动数据，用以评估脑健康和实施早期筛查，在方法上具有可行性、良好的用户接受度和有效性。研究得出结论，基于智能设备的数据分析能够客观、有效地区分轻度认知障碍，为实现早期AD的数字化筛查提供了强有力的工具。

本文的评论专家、不来梅的Thomas Duning教授对此给予了高度评价。他指出，智能手机作为早期“痴呆过滤器”很可能将成为现实。当前数字医学产品受到关注，并非因为其效度和信度已臻完美，而是由于其能有效应对有限的医疗资源挑战。这项研究有力地表明，通过主动使用移动设备（如进行神经心理学测试的App）或简单分析本已存在的被动设备数据，未来将能够进行客观、有效的认知评估。

Duning教授进一步强调，批准用于疾病极早期阶段的医学产品，却不同步发展用于识别受益患者的复杂诊断手段，这是不切实际的。目前，AD极早期诊断的资源相当有限，许多适合治疗的患者无法获得已获批的药物，根本原因在于诊断资源不足。一个数字化的“MCI过滤器”在这方面将非常有用和高效。尽管应用此类方法也会带来问题（如数据保护、分析能力，或如本研究所示，仅限于单一设备制造商的垄断性应用），但同时也带来了机遇。他担心，初期阻碍应用的顾虑可能会占上风，但他认为这类应用必将到来，人们应以开放的态度对待此类分析。无法阻止它们，但令人遗憾的是，进程可能会被显著推迟。他举例提到了阿尔茨海默病血液生物标志物检测，该检测已在美国获批准，但在其他地区可能仍需经历漫长的讨论过程。

总之，这项发表在《InFo Neurologie + Psychiatrie》2025年第27卷第10期的工作，标志着在利用数字技术进行神经退行性疾病早期识别方面迈出了关键一步。它展示了将日常技术转化为强大医疗工具的潜力，为应对阿尔茨海默病带来的日益严峻的公共卫生挑战提供了一条充满希望的新途径。