编辑推荐：
认知障碍（CI）在中风后常见却易漏诊。研究人员针对此，开展利用步态和双任务检测中风后 CI 的研究。结果显示，步态分析可有效区分患者，结合蒙特利尔认知评估（MoCA）能提升分类性能。这为 CI 筛查提供新途径，意义重大。
在当今医学领域，脑血管疾病（CVD）引发的认知障碍（CI）问题日益凸显。中风作为脑血管疾病的常见后果，常伴随着认知功能的受损。这不仅影响患者的生活质量，使其难以独立完成日常活动，还增加了家庭和社会的照护负担。目前，认知障碍在中风后的诊断面临诸多挑战。虽然认知障碍在中风患者中发生率高达 30 - 50%，甚至更高，但却常常被忽视。诊断的金标准 —— 全面神经心理学检查，因操作复杂、耗时久，难以在大规模人群中推广应用。而常用的筛查工具蒙特利尔认知评估（MoCA），虽有较高敏感性，但特异性较低，且缺乏标准化，在实际使用中受到限制。
为了攻克这些难题，来自葡萄牙的研究人员积极开展研究。他们依托安大略神经退行性疾病研究计划（ONDRI），深入探索利用步态和双任务，结合机器学习技术检测中风后认知障碍的方法。研究成果发表在《BMC Medical Informatics and Decision Making》杂志上。
研究人员采用的主要关键技术方法包括：首先，从 ONDRI 的脑血管疾病队列中获取数据，这些数据涵盖了人口统计学、临床、神经心理学和步态等多方面信息。然后，使用可穿戴惯性传感器和电子步道系统收集定量步态参数，评估不同行走条件下的步态特征。在机器学习分析方面，运用嵌套交叉验证（CV）进行模型训练、超参数调整和评估，通过网格搜索优化特征选择器和分类器的超参数，对比多种机器学习分类器的性能。
研究结果如下：
- 描述性统计：研究最终纳入 47 名参与者，其中 29 名被诊断为认知障碍，18 名认知正常。认知障碍组在 MoCA 评分和工具性日常生活活动能力（iADLs）独立性百分比上显著低于认知正常组，且在多个步态测试中，认知障碍组的步态速度更慢，电子步道比加速度计检测到更多显著差异。
- 使用加速度计指标分类：利用加速度计数据进行分析，发现单任务（SS）条件下提取的特征性能优于其他双任务和快速行走条件。而综合来看，DS1 + SS 组合表现最佳，其平衡准确率可达 70.6%，敏感性为 69.0%，特异性为 72.2%，曲线下面积（AUC）为 75.5%。
- 使用步道指标分类：电子步道数据显示，同样是 DS1 + SS 条件表现最优，平衡准确率达 78.8%，敏感性高达 96.6%，特异性为 61.1%，AUC 为 68.6%。与加速度计相比，电子步道在更多测试中检测到两组步态速度的显著差异，且使用电子步道数据的模型性能整体更高。
- 使用 MoCA 分类：传统 MoCA 评分以 26 分为临界值时，敏感性为 62.1%，特异性为 77.8%。通过受试者工作特征曲线（ROC）分析，确定在本研究样本中 27 分为最佳临界值，此时敏感性为 75.9%，特异性为 77.8%，AUC 为 66.0%。将 MoCA 与步态指标分类结果通过多数投票法结合后，平衡准确率提升至 82.7%，敏感性为 93.1%，特异性为 72.2%。
研究结论和讨论部分指出，该研究首次以金标准神经心理学评估为参考，探索机器学习和步态特征在检测中风后认知障碍中的应用。研究发现，步态特征能够有效区分中风后认知障碍患者和认知正常个体，综合步态指标和双任务成本的分类性能与 MoCA 相当，甚至更优。将步态指标与 MoCA 相结合，可进一步提高整体分类性能。然而，研究也存在一定局限性，如样本量较小、认知障碍分类标准的通用性问题、参与者功能水平较高限制了认知障碍范围的测试、未评估不同研究地点的影响以及未考虑行走任务对认知性能的影响等。尽管如此，该研究仍具有重要意义，为中风后认知障碍的筛查提供了新的客观工具和思路，表明机器学习和步态评估有望成为 MoCA 的良好替代或补充方法，为未来在临床环境中更准确、高效地检测认知障碍奠定了基础，后续研究可针对这些局限性进一步深入探索 。
