Loewenstein-Acevedo语义干扰与学习量表(LASSI-L)的数字化迁移：老年受试者中的开发与验证研究

为解决传统认知评估工具LASSI-L依赖专业人员操作、难以大规模筛查的问题，研究人员开发了自管理数字化版本LASSI-D。研究表明，LASSI-D在识别遗忘型轻度认知障碍(aMCI)与正常认知(NC)群体时，关键指标（如主动语义干扰PSI和恢复失败frPSI）与纸质版高度一致，分类准确率达88%(NC)和78%(aMCI)，为社区早期筛查阿尔茨海默病(AD)提供了便捷工具。

　　

随着全球老龄化加剧，阿尔茨海默病(AD)及相关认知障碍的早期诊断成为公共卫生重点。传统神经心理学评估如Loewenstein-Acevedo语义干扰与学习量表(LASSI-L)虽能通过检测主动语义干扰(PSI)和恢复失败(frPSI)预测AD生物标志物，但依赖专业测试人员，难以在社区推广。更棘手的是，现有标准化测试对早期细微认知变化不敏感，而AD病理在出现明显症状前已潜伏多年。

针对这一困境，研究人员开发了完全自管理的数字化版本LASSI-D，采用云端语音识别技术和AI虚拟助手，支持英语和西班牙语双版本。这项发表在《JMIR Mental Health》的研究首次验证了数字化迁移的等效性。

研究团队采用序贯评估设计，对112名社区老年人（54名aMCI，58名NC）分别施测LASSI-L和LASSI-D。关键发现包括：1）两组在数字化版与纸质版的6项核心指标（如B1/B2线索回忆、侵入错误百分比PIE）无统计学差异（P>0.13）；2）aMCI组的PIE2（第二次回忆侵入率）达0.25，显著高于NC组的0.13（P<0.001），与既往LASSI-L研究数据高度吻合；3）仅凭PIE2指标即可实现83%总体分类准确率，且加入ADAS-Cog未提升判别效果。

方法学亮点
研究通过多中心招募59岁以上社区受试者，采用Jak-Bondi标准诊断aMCI。云端软件集成Google语音识别技术，AI虚拟助手全程指导测试流程。关键创新在于开发了与纸质版完全一致的LASSI-D A表，并通过动物命名流畅性等预热测试确保数据质量。

结果精要

1. 背景与目标：证实数字化迁移可保留LASSI核心功能，解决资源限制问题。
2. 方法：双语测试设计消除语言偏差，语音识别准确率经口音适应性优化。
3. 结果：效应量分析显示PSI（d>0.68）和frPSI（d>0.81）的判别力跨版本稳定。
4. 结论：数字化版本在敏感度（88%）、效标效度和分类准确性上与纸质版等效。

讨论与展望
该研究首次证明完全自管理的认知挑战测试可用于AD早期筛查。尤为关键的是，侵入错误指标PIE与淀粉样蛋白负荷的已知关联在数字化版本中得以保留，这为后续血液生物标志物（如p-tau²¹⁷
）关联研究奠定基础。局限性在于当前aMCI诊断未采用ADRC金标准，未来需扩大样本验证。研究者计划进一步开发替代版本（B/C表）以满足纵向监测需求，这项技术突破或将重塑认知衰退的社区筛查范式。