基于中国北方社区数据的高性能认知障碍早期预测模型开发与多中心验证

为解决老年人认知障碍(CI)筛查难题，来自中国多中心的研究团队通过横断面研究，利用Lasso回归和logistic分析构建了包含8项预测因子(如年龄、跌倒次数、教育水平等)的nomogram模型。该模型AUC达0.873，经内外验证显示优异判别力和临床实用性，为CI早期筛查提供了可修改风险因素的便捷工具。

　　

随着认知障碍(CI)患病率持续攀升，诊断意识不足与复杂检测流程成为重大挑战。一项覆盖中国北方四省18个社区的多中心横断面研究应运而生，科研人员系统采集了1479名老年人基础参数、病史、体测、认知评估及血液检测数据。

研究团队创新性地采用最小绝对收缩选择算子(Lasso)结合多因素logistic回归分析，筛选出年龄、1年内跌倒次数、教育水平、居住地、高血压、卒中史、蛋白质摄入量及皮下脂肪流失8项关键预测因子，构建出误差最小化的CI筛查nomogram模型。该模型展现出卓越的判别力(AUC=0.873)，校准曲线证实预测值与实测值高度吻合。决策曲线分析(DCA)与临床影响曲线(CIC)则凸显其临床转化价值。

值得注意的是，模型中4项可干预因素(如蛋白质摄入、跌倒预防)为临床干预提供精准靶点。经内部与外部数据集验证，模型各项指标保持稳定，为发展中国家老年人群CI筛查提供了兼具科学性与实操性的解决方案。这项研究不仅填补了中国特色筛查工具的空白，更通过可修改风险因素的识别，为认知障碍一级预防开辟了新路径。