痴呆症数据概览 1. 研究队列

《Alzheimers & Dementia》：Dementia Data Landscape 1. Cohorts

全球阿尔茨海默病队列数据景观分析显示，共识别883个队列（558人口队列和325临床队列），74%提供数据访问但质量不一，45%通过现有平台可发现，需加强全球南方代表性及数据标准化。

　　在当今全球医学研究领域，数据的收集、整理与利用已成为推动疾病研究、促进转化医学和优化研究资源分配的关键环节。特别是在神经退行性疾病研究中，如痴呆症，大规模队列研究提供了独特的价值，能够揭示疾病的病因、发展过程以及影响因素。然而，当前痴呆症相关队列数据的使用和管理仍然面临诸多挑战，包括数据可发现性不足、元数据不透明以及全球代表性不均等问题。本文旨在系统分析全球痴呆症队列研究的现状，揭示其在数据可用性、可访问性及研究方法上的特点，并提出改进数据基础设施的策略，以推动痴呆症研究的进一步发展。

### 队列研究的重要性与现状

队列研究是一种追踪特定人群随时间变化的研究方法，能够为疾病的分子、细胞、行为及社会层面的病因提供深入见解。它不仅有助于理解从临床前风险到诊断、治疗及社会照护的全过程，还能通过大规模样本实现分层分析，从而发现潜在的机制并推动精准医学的发展。尽管队列研究的周期较长，但其科学价值随时间积累而增强，且具有较高的投资回报率。随着队列研究与行政健康和社会照护数据的整合，其在转化医学中的作用愈发显著。

然而，当前痴呆症相关队列研究的资料分布存在明显不均衡。全球范围内的研究主要集中在欧美地区，而非洲、南美及东南亚等“全球南方”国家的代表性严重不足。这一现象不仅影响了研究的普遍适用性，也限制了对遗传、社会经济及环境因素的全面分析。此外，虽然超过74%的队列数据可供研究使用，但数据访问协议和元数据质量存在较大差异，这使得数据的可发现性和可用性受到制约。同时，现有数据平台在数据发现方面存在局限性，使得研究人员在寻找适合自身研究的队列数据时需要花费大量时间。

### 方法与数据收集

为了全面了解痴呆症队列研究的现状，本文采用了一种多渠道的数据收集方法。首先，通过PubMed数据库搜索1970年至2024年间所有涉及痴呆症相关队列的论文，并结合多个国际痴呆症数据平台，如DPUK Data Portal、AD Workbench（ADWB）和Common Alzheimer's and Related Dementias Research Ontology（CADRO）等，获取更多相关信息。随后，研究团队根据C-Surv数据模型对相关数据进行标准化整理，涵盖了17个主题，包括行政信息、社会人口学指标、早期生活 adversity、物理测量、医疗史、心理状态、认知状态、生活方式、生活功能、物理环境、社会环境、影像学、数据链接、医疗资源利用、生物样本收集和分子分析等。这些主题的选择旨在全面反映痴呆症研究所需的多维度数据。

在数据筛选过程中，研究团队识别了883个独立队列研究，其中558个为人口队列，325个为临床队列。这一筛选过程排除了不符合条件的队列，如年龄小于18岁、缺乏元数据或不符合队列研究定义的项目。研究团队还通过人工审核和跨平台验证，确保数据的准确性和可靠性。此外，部分数据的获取需要借助专门的平台或数据仓库，而另一些则直接由研究团队提供。这种多样性使得数据的使用方式各异，也反映出当前数据共享机制的复杂性。

### 研究发现与数据分析

从研究结果来看，全球痴呆症相关论文数量在过去50年间呈现指数增长趋势。1970年仅有275篇相关论文，而到2024年已达到21,900篇。其中，队列研究的占比逐渐上升，尤其是在1990年代之后。这一增长趋势表明，队列研究在痴呆症研究中的重要性不断提升，且已成为推动该领域研究进展的核心手段之一。然而，临床试验相关论文的增长相对较晚，直到1980年代才显著增加，这可能与临床试验的实施周期较长有关。

从数据平台的角度来看，仅有45%的队列数据可以通过现有的11个痴呆症相关数据平台发现，其余则依赖于PubMed等文献数据库或互联网资源。这说明当前数据发现机制仍不够完善，研究人员需要花费大量时间在不同平台间查找数据。此外，许多队列数据的元数据存在不完整或模糊的情况，导致部分变量的记录无法准确判断其是否存在。因此，元数据的标准化和透明度成为提升数据可发现性和可用性的关键。

在地理分布方面，欧洲和大洋洲的队列数据最为丰富，分别占全球总数据量的80%和78%。相比之下，亚洲和美洲的数据可访问性较低，分别为65%和70%。值得注意的是，跨洲队列数据的可访问性最低，仅为57%。这种地理不平衡不仅反映了资源分配的不均，也意味着在“全球南方”地区，痴呆症研究的基础设施仍有待加强。非洲大陆仅有4个队列研究，其中只有240,389名参与者，与该地区庞大的人口基数相比，显然存在严重不足。这一现象可能与研究资金、基础设施和数据治理机制等系统性障碍有关。

### 数据利用与研究工具

为了解决上述问题，本文开发了一个在线的痴呆症队列数据景观工具，旨在提高数据的可发现性和可重用性。该工具整合了来自多个数据平台的元数据，并通过交互式界面支持研究人员根据研究设计、地理位置、样本规模等条件筛选合适的队列数据。此外，工具还提供了按数据主题分类的功能，使得研究人员可以快速定位所需的数据类型，如医疗史、心理状态、影像学、生物样本等。

根据数据景观工具的分析，行政信息是所有队列数据中最全面的，几乎覆盖了所有数据集。其次是医疗史、生活方式和心理状态，分别覆盖了81.9%、77.9%和74.6%的队列。相比之下，影像学、医疗资源利用和早期生活 adversity等主题的数据覆盖度较低，分别仅为38.2%、26.4%和16%。这一现象表明，尽管队列研究在某些领域提供了丰富的数据，但在其他方面仍存在明显的空白。因此，未来的队列研究应更加注重数据的全面性，特别是在生物分子层面的研究，如基因组学、蛋白质组学和代谢组学。

### 数据访问与共享的挑战

尽管多数队列数据可供研究使用，但访问途径的多样性也带来了一定的挑战。对于74%的队列，数据可通过直接访问研究团队获得，而另有21%的队列数据存储在34个不同的数据仓库中，如维吉尼亚大学记忆与阿尔茨海默病中心等。然而，数据访问的不统一性可能导致研究人员在使用数据时面临额外的复杂性。此外，数据共享的透明度和标准化程度仍需提高，尤其是在元数据记录方面。许多队列数据虽然在内部得到了充分利用，但对外部研究者而言，其可读性和可访问性仍然有限。

为了改善这一状况，本文强调了标准化数据模型的重要性。C-Surv作为一种标准化数据框架，已被用于整合和呈现痴呆症队列数据，但其应用仍局限于部分数据平台。未来，需要更广泛的国际协作，推动数据模型的统一，以确保不同队列研究之间的可比性和互操作性。此外，标准化的数据访问协议和伦理审查流程也是提升数据共享效率的关键。通过建立统一的标识符和数据管理标准，可以减少数据使用过程中的重复和碎片化，提高研究的效率和可重复性。

### 未来展望与建议

面对当前痴呆症队列研究中存在的挑战，本文提出了多项改进建议。首先，应加强全球南方地区的队列研究基础设施建设，包括增加研究资金、改善数据治理机制以及推动本地研究团队的参与。其次，需要提升元数据的透明度和标准化，确保数据的可发现性和可重用性。此外，建立统一的数据共享平台和国际标准，将有助于减少数据使用过程中的障碍，提高研究的效率。

未来，人工智能技术的应用有望显著改善数据发现和访问的流程。通过AI算法，可以自动识别和匹配研究需求与可用数据，减少研究人员在数据筛选上的时间成本。同时，推动“信任研究环境”（Trusted Research Environment, TRE）的建设，有助于在确保隐私和数据安全的前提下，实现大规模数据的共享与分析。TRE能够提供统一的数据访问路径，减少数据管理的复杂性，并支持跨机构的数据整合。

最后，本文呼吁建立一个国际化的痴呆症队列注册系统，类似于NIH临床试验注册系统。该系统不仅可以作为数据发现的权威来源，还能促进数据共享和合作，从而提升全球痴呆症研究的效率和科学价值。通过这一举措，痴呆症研究的基础设施将更加完善，为未来的转化医学研究奠定坚实基础。