基于机器学习的老年脾肾两虚型轻度认知功能障碍风险预测模型构建与验证

针对社区老年人群中脾肾两虚型轻度认知功能障碍（MCI-SKDS）早期筛查难题，研究人员采用5种机器学习算法（LR/DT/NB/SVM/GB）构建预测模型，发现决策树（DT）模型表现最优（AUC>0.9），筛选出腰椎酸痛、夜尿频等10项核心预测指标，为社区低成本、高效识别高风险人群提供新工具，推动中医"治未病"理念落地。

　　

随着全球老龄化加剧，轻度认知功能障碍（Mild Cognitive Impairment, MCI）作为阿尔茨海默病（AD）的重要前驱阶段，已成为21世纪最严峻的公共卫生挑战之一。特别值得注意的是，在传统中医（TCM）理论框架下，脾肾两虚综合征（Spleen-Kidney Deficiency Syndrome, SKDS）被确认为老年MCI最常见证型，这类患者进展为AD的风险显著增高。然而当前诊断面临双重困境：现代医学依赖的脑脊液检测和神经影像学价格昂贵且具侵入性，而社区医疗机构又缺乏专业中医师进行精准辨证。如何突破"早筛难、辨证繁"的瓶颈，成为延缓认知衰退的关键突破口。

湖北中医药大学的研究团队创新性地将机器学习与传统中医诊断相结合，开展了一项里程碑式研究。他们从武汉市武昌区社区招募312名老年MCI患者，首次构建了针对MCI-SKDS的机器学习预测模型。研究采用逻辑回归（LR）、决策树（DT）等5种算法，发现DT模型综合表现最佳，训练集准确率达90.4%，并筛选出腰椎酸痛、牙齿脱落等10项最具预测力的中医体征指标。这项发表于《Journal of Integrative Medicine》的研究，为社区基层提供了首个兼具科学性与实用性的MCI中医辨证工具。

关键技术方法包括：采用多阶段整群抽样从武汉社区获取312例样本（3:1划分训练/测试集）；使用Python平台通过LR算法筛选关键变量；比较LR、DT、朴素贝叶斯（NB）、支持向量机（SVM）和梯度提升（GB）五种算法的预测效能；采用受试者工作特征曲线下面积（AUC）和决策曲线分析（DCA）评估临床适用性。

研究结果揭示：

1. 预测指标重要性：通过特征工程识别出10个核心预测因子，按重要性排序包括腰椎酸痛、牙齿脱落、夜尿频次等典型脾肾两虚表征。
2. 模型精度比较：DT模型在训练集和测试集均展现最优综合性能，特异性高达0.973，F1分数0.875；SVM模型则具有最高灵敏度（0.821）。
3. 临床适用性：所有模型AUC均>0.8，DCA曲线证实其具有实际临床决策价值。

这项研究的突破性在于：首次将机器学习引入中医MCI证型分类，破解了传统辨证主观性强、社区推广难的困局。模型筛选的10项指标高度契合中医"脾主运化、肾主骨生髓"理论，如夜尿频次反映肾气不固，舌苔薄白腻提示脾虚湿困。特别值得关注的是，该模型仅需问诊即可完成风险评估，较MMSE（简易精神状态检查）等神经心理学测试效率提升80%，完美适配社区场景需求。

研究者也坦承存在局限性：样本仅来源于华中地区城市人群，未来需扩大地域和种族多样性；当前模型为横断面诊断性质，后续拟通过纵向随访开发预后预测功能。但毋庸置疑，这项研究为人工智能赋能传统医学提供了典范——既通过数据挖掘强化了中医诊断的客观性，又借助中医整体观弥补了西方医学单一生物标志物检测的不足，真正实现了"1+1>2"的整合医学创新。正如论文通讯作者Hu H教授强调："这套预测工具将使社区医生像使用血压计一样便捷地识别MCI高风险老人，把认知健康防线前移至少5-10年。"