基于机器学习的行为分析：移动游戏参与度在老年痴呆症早期筛查中的探索性研究

为探索老年痴呆症早期筛查新方法，研究人员开展了一项关于移动游戏参与行为的机器学习分析研究。通过分析15名老年人（含5名痴呆患者）在8周游戏中的1774个行为数据点，发现64%的行为存在显著差异，构建的随机森林模型（RF）F1 -score达0.91，AUC为0.99。该研究为痴呆症的非侵入性筛查提供了创新路径。

　　

随着全球老龄化加剧，痴呆症患者预计205年将超1.32亿，其早期筛查面临巨大挑战。传统认知评估依赖临床观察，存在主观性强、普及性差等问题。尽管人工智能在健康领域应用广泛，但针对痴呆症的严肃游戏（serious games）研究仍属空白。为此，来自加拿大阿尔伯塔大学的研究团队开展了一项开创性研究，通过分析老年人在移动游戏中的参与行为（engagement-related behaviors），探索机器学习（ML）在痴呆筛查中的潜力，成果发表于《JMIR Serious Games》。

研究采用单案例设计，招募20名老年人（含6名痴呆患者），通过8周16次30分钟的游戏会话（含Bejeweled等4款游戏），采集1774个行为数据点。关键技术包括：1）基于视频的行为编码系统（47种行为分类）；2）随机森林分类器（RF）的交叉验证；3）特征重要性分析（Gini指数）。所有数据经SPSS预处理，并纳入年龄、环境干扰等54项特征。

研究结果
Demographics：痴呆组平均年龄76.6岁，非痴呆组79.7岁，两组技术使用率相近（60%曾接触严肃游戏）。
Descriptive Analysis：两组共有的高频行为包括注视游戏（99.6%）、肢体互动（99%），但痴呆组更常出现躯干直立（upright posture）和语音发声（voiced utterance）。
Differences in Behavior Frequencies：64%行为存在显著差异，如痴呆组缺乏快速眼动（saccadic eye movements）和游戏同步行为（keeping up with the game）。
Random Forest Models：综合行为、环境、个人特征的模型4性能最优（F₁
-score=0.91，AUC=0.99）。
Feature Importance：躯干前倾（lean forward）、年龄、嘴唇动作（lip behavior）是区分痴呆的关键指标。

讨论与意义
该研究首次证实，严肃游戏中的行为模式可有效区分痴呆患者，其中躯干姿态、语音特征和注意力分散（如边玩边做其他事）具有特异性。与驾驶行为分析（准确率91%）和语言模型（81%）相比，该方法成本更低、更易普及。局限性包括样本量小（仅5名痴呆患者）和环境单一，未来需扩大队列验证。

结论强调，机器学习模型整合行为、环境和个人特征后，能高精度识别痴呆（AUC 0.99），为社区筛查提供了可扩展方案。这一非侵入性工具尤其适合农村或低收入地区，有望成为传统认知评估的重要补充。