基于单通道EEG特征与元分析的老年轻度认知功能障碍早期检测评估研究

本研究针对老年认知衰退早期检测的临床需求，创新性地采用单通道EEG设备结合机器学习模型（Lasso/Elastic Net），通过237名老年受试者的两项独立研究及元分析，发现Gamma波段活动和新型生物标志物A0与MMSE/MoCA评分显著相关（灵敏度0.90）。该成果为阿尔茨海默病（AD）早期干预提供了非侵入性、高性价比的解决方案，对推动疾病修饰疗法（如Aducanumab）的精准应用具有重要意义。

　　

随着全球老龄化加剧，认知衰退已成为重大公共卫生挑战。尽管FDA已批准Aducanumab等靶向β淀粉样蛋白（Aβ）的疾病修饰疗法，但其疗效高度依赖早期干预时机。传统筛查工具如简易精神状态检查（MMSE）和蒙特利尔认知评估（MoCA）存在灵敏度不足、易受教育水平干扰等局限，而脑脊液（CSF）生物标志物检测又具有侵入性缺陷。在此背景下，Neurosteer Inc（美国纽约）联合以色列多所高校的研究团队在《Scientific Reports》发表创新成果，通过单通道脑电图（EEG）技术破解了这一临床难题。

研究采用前瞻性队列设计，结合机器学习算法和功能性任务评估。关键技术包括：1）使用Neurosteer单通道EEG设备采集前额叶脑电信号（采样率500Hz）；2）设计多难度听觉认知任务（n-back/音乐检测）诱导认知负荷；3）应用Lasso/Elastic Net等特征选择模型分析EEG特征（如A0、VC9、ST4）与临床评分关联；4）纳入237名老年受试者（分健康组/轻度认知障碍风险组/MCI-R/轻度痴呆组）和112名年轻对照进行元分析。

【研究结果】

1. 高精度预测模型：Lasso回归模型在区分MMSE>28健康者与MMSE 24-27风险人群时达到0.90灵敏度和0.74 AUC，特征A0与MMSE评分呈显著负相关（r=-0.25, p<0.001）。

2. 神经振荡特征：Gamma波段活动在认知任务中呈现"健康者<><>

3. 认知负荷响应：健康老年组在VC9、Theta等特征上表现出显著的任务难度梯度响应（p<0.01），而MCI-R组仅在高负荷任务中显现差异，提示神经可塑性下降。

4. 多模态验证：EEG特征A0与功能性评估（PASS药物管理安全分）共同构成MMSE预测核心变量（R²=0.988），且与MoCA评分具有跨量表一致性。

这项研究开创性地证实，基于前额叶单通道EEG的机器学习模型可捕捉传统量表难以识别的细微认知变化。特别值得注意的是，新型生物标志物A0展现出与AD病理进展相关的独特神经电生理特征，为构建"EEG-临床-功能"多维评估体系奠定基础。该技术方案具有设备便携（仅需前额贴片）、操作简易（30分钟检测）等临床转化优势，有望成为基层医疗机构筛查认知障碍的"电生理哨兵"。未来研究可进一步探索A0与Aβ沉积的时空关联，以及Gamma振荡异常在神经退行性疾病中的普适性规律。

（注：Lior Molcho与Neta B.Maimon为共同第一作者，Nathan Intrator与Ady Sasson为共同通讯作者）