基于可穿戴设备数据的数字风险评分：无创检测α-突触核蛋白聚集和多巴胺能缺陷的新策略

研究人员针对帕金森病(PD)早期筛查中生物标志物检测成本高、侵入性强的问题，通过整合帕金森病进展标志物倡议(PPMI)队列的临床数据和Verily智能手表长期监测数据，开发了一种基于睡眠、生命体征和运动特征的数字风险评分。该评分在区分PD患者(N=143)与健康对照(N=34)时达到0.96±0.01的精确召回曲线下面积(AUPRC)，并与运动障碍学会(MDS)研究标准(r=0.36)及多巴胺转运体扫描(DaTscan)、α-突触核蛋白种子扩增试验(SAA)等金标准生物标志物显著相关。研究首次证实可穿戴设备数据可作为PD病理早期筛查的敏感工具，为建立序贯筛查流程提供了新思路。

　　

帕金森病(PD)的诊断长期面临"诊断即晚期"的困境——当患者出现典型运动症状时，50-70%的多巴胺能神经元已不可逆丢失。尽管脑脊液α-突触核蛋白种子扩增试验(SAA)和多巴胺转运体扫描(DaTscan)等生物标志物能早期检测病理变化，但其侵入性和高昂成本限制了人群筛查应用。与此同时，运动障碍学会(MDS)前驱期风险评分虽整合了遗传和临床症状因素，但十年随访敏感性仅35%。这种"要么太晚、要么太贵"的困境，呼唤着一种兼具可及性和敏感性的筛查工具。

来自英国的研究团队在《eBioMedicine》发表了一项突破性研究，他们利用帕金森病进展标志物倡议(PPMI)队列中343名参与者（含149名PD患者、158名前驱期高危个体和35名健康对照）的长期智能手表监测数据（平均485天），开发了基于机器学习的数字风险评分模型。研究采用Verily Study Watch采集的14类生理参数（包括步数、睡眠阶段、心率等），通过弹性网络逻辑回归和五重交叉验证构建模型，重点评估了该评分与MDS标准及生物标志物的关联性。

数字指标揭示前驱期差异
研究发现PD患者的步数（效应量d=1.24）和REM睡眠时间（d=1.20）显著低于健康对照。在前驱期亚组中，嗅觉减退个体的睡眠效率降低最显著（d=1.04），且该指标与DaTscan阳性（d=1.05）和SAA阳性（d=1.14）状态高度相关，提示睡眠参数可能是神经退行性变的早期信号。

长期数字风险模型性能卓越
基于10,962个时间序列特征构建的模型区分PD与对照的AUPRC达0.96±0.01，显著优于基线模型（0.8±0.04）。特征重要性分析显示REM睡眠（41.39%）和步数（48.28%）贡献最大。值得注意的是，使用1.3年数据训练的模型性能显著优于单周数据（AUPRC提升0.15），凸显长期监测的价值。

与生物标志物的三重关联
数字评分与MDS标准显著相关（r=0.36），且与DaTscan壳核结合比（r=-0.32）和SAA（r=0.20）存在独特关联模式。在生物分型体系中，该评分能有效区分SynNeurGe系统定义的散发性PD（0.74±0.38）与遗传易感但无突触核蛋白病变群体（0.52±0.32），并在NSD分期中呈现随疾病进展递增的趋势。

敏感筛查的突破性表现
以DaTscan/SAA为金标准时，数字评分的敏感性（0.59）显著高于MDS评分（0.35），与嗅觉减退相当（0.59）。二者联合更将敏感性提升至0.71，但数字评分特异性较低（精确度0.18）。值得注意的是，数字评分漏诊的7例生物标志物阳性者UPDRS III评分显著低于正确识别组（1.86 vs 15.7），提示模型对亚临床运动障碍的检测优势。

这项研究首次系统验证了可穿戴设备数据与PD核心病理标志物的关联，为建立"数字初筛-临床复核-生物确诊"的序贯筛查路径奠定了基础。其创新性在于：① 证实长期数字表型比单次临床评估更敏感；② 揭示睡眠效率等非运动参数可作为α-突触核蛋白病变的早期指标；③ 为LRRK2等遗传高危人群的精准监测提供了新工具。尽管需要在前瞻性队列中验证预测效能，这种低成本、无创的筛查策略已展现出改变PD早期检测范式的潜力，特别适合作为人群筛查的第一道"滤网"，为神经保护疗法的临床试验招募开辟了新途径。