在家中进行的非接触式纵向监测可以评估与衰老和阿尔茨海默病相关的夜间行为和生理状况

《Alzheimers & Dementia》：Contactless longitudinal monitoring in the home characterizes aging and Alzheimer's disease–related night-time behavior and physiology

该研究利用非侵入式床垫压力传感器（WSA）监测阿尔茨海默病（AD）患者及健康人群的睡眠模式，结合可解释机器学习模型，开发了DRI-SI-AD数字生物标志物。结果表明，AD患者夜间卧床时间更长、起床次数更多，且睡眠模式聚类与认知功能及疾病进展显著相关。该技术为AD的长期监测提供了低负担解决方案。

　　这项研究聚焦于阿尔茨海默病（AD）患者的睡眠模式变化，以及这些变化与普通人群之间的差异。随着全球老龄化进程加快，睡眠障碍在神经退行性疾病中愈发普遍，尤其是在AD患者中。研究表明，睡眠问题不仅是AD患者日常生活的显著标志，而且与疾病进展密切相关。传统的睡眠评估方法，如多导睡眠图（PSG），虽然提供了丰富的生理数据，但其应用受限于设备的侵入性和使用成本，难以进行长期家庭监测。而本研究采用了一种非接触式的、经济高效的睡眠监测技术，通过一种名为WSA的床垫下压力传感器，收集并分析患者的睡眠数据，从而开发出一种新的数字生物标志物——Dementia Research Institute Sleep Index for Alzheimer's Disease（DRI-SI-AD），用于跟踪AD患者的睡眠异常和疾病进展。

研究采用了回顾性观察设计，利用WSA设备收集了83名AD患者的睡眠数据，并将其与13,588名普通人群的数据进行比较。WSA设备通过测量床垫下的压力变化，记录患者的睡眠状态、心率、呼吸频率以及夜间活动情况。这些数据经过预处理和特征提取，形成了用于分析的睡眠指标。通过应用可解释的机器学习方法，研究人员能够识别出与AD相关的睡眠特征，如更长的床上时间、频繁的床离开行为、较少的打鼾以及睡眠状态的改变。DRI-SI-AD作为一项数字生物标志物，不仅能够检测急性临床事件对睡眠的影响，还能反映AD患者的长期睡眠变化趋势。

在方法部分，研究详细描述了数据采集、预处理和分析的全过程。WSA设备在家庭环境中进行数据采集，随后将数据上传至一个安全的数字平台，该平台整合了来自家庭的健康和环境数据。为了确保数据的准确性，研究团队对WSA的性能进行了验证，将其与实验室的PSG数据进行对比，并确认了其在老年人和AD患者中的适用性。此外，研究还采用了多种机器学习方法，包括可解释性模型（如Explainable Boosting Machine, EBM），以评估DRI-SI-AD的预测能力。通过对多个数据集的比较分析，研究团队能够识别出与AD相关的睡眠模式，这些模式在不同年龄组之间表现出一定的差异性，并且与患者的临床评估结果密切相关。

研究结果显示，AD患者的睡眠模式与普通人群存在显著差异。例如，AD患者的床上时间更长，夜间离开床的次数更多，且打鼾时间减少。这些发现不仅表明AD对睡眠行为的深远影响，还揭示了睡眠质量下降可能与认知功能衰退和疾病进展之间的联系。研究还发现，某些睡眠特征，如频繁的床离开行为和较长的离开时间，能够有效区分AD患者与普通人群。此外，通过应用可解释的机器学习方法，研究人员还能够分析这些睡眠特征如何与AD的临床指标相关联，例如功能状态、神经精神症状和认知评估分数。

在临床相关性方面，DRI-SI-AD展现出了良好的应用潜力。通过分析两个AD患者的案例，研究团队展示了该模型如何捕捉睡眠模式的变化，以及这些变化如何与患者的临床事件（如感染、心血管事件）相关。模型能够检测到夜间行为的显著变化，并提供对疾病进展的预测能力。此外，DRI-SI-AD还能够反映出睡眠模式与功能能力之间的联系，例如在AD患者中，较高的DRI-SI-AD评分与较差的日常活动能力（BADL）相关，这表明该模型可能有助于评估AD对患者日常生活的影响。

研究进一步探讨了DRI-SI-AD如何反映AD的进展和认知状态的变化。通过对83名AD患者进行长达36个月的随访，研究团队发现DRI-SI-AD与BADL评分之间存在显著的正相关，表明该模型可以有效捕捉睡眠与功能状态之间的关系。然而，研究也指出了一些局限性，例如WSA在睡眠阶段识别方面的准确性可能不如PSG，以及临床评估的频率较低，限制了对睡眠与疾病进展之间关系的深入理解。此外，由于普通人群样本量远大于AD患者，模型可能会受到样本不平衡的影响，因此研究团队采用了倾向得分匹配（PSM）方法，以确保模型能够准确捕捉AD特有的睡眠特征。

总体而言，这项研究为AD的睡眠监测提供了一种新的方法，具有重要的临床意义。通过非接触式设备和可解释的机器学习模型，研究人员能够以较低的负担对患者进行长期睡眠行为分析，从而为AD的早期诊断、疾病监测和干预措施提供支持。未来的研究可以进一步优化模型的准确性，扩展样本量，并探索DRI-SI-AD在其他类型的神经退行性疾病中的应用潜力。此外，研究团队还强调了该技术在家庭环境中进行长期健康监测的可行性，为未来智能健康监测系统的发展提供了理论依据和技术支持。