开发CogDrisk-ML中老年痴呆风险预测模型：实现全生命周期风险评估的精准化

本研究针对现有痴呆风险评估工具（如ANU-ADRI、LIBRA和CAIDE）对中青年群体（40-64岁）预测效能不足的问题，开发了新型中老年特异性痴呆风险算法CogDrisk-ML。研究团队整合UK Biobank、ARIC和Whitehall II队列数据，通过Cox回归与随机效应meta分析构建性别特异性模型，结果显示CogDrisk-ML的Harrell's C统计量达0.70-0.75，显著优于传统CAIDE工具（0.53-0.69）。该成果填补了中青年痴呆风险预测工具的空白，为全生命周期痴呆防控提供循证依据。

　　

随着全球老龄化加剧，痴呆已成为重大公共卫生挑战。尽管《柳叶刀》委员会最新报告指出45%的痴呆病例可通过干预可调控风险因素预防，但现有风险评估工具如ANU-ADRI和CAIDE对40-64岁中青年群体的预测准确性（AUC<0.60）显著不足。这一空白严重制约了痴呆早期防控的黄金窗口期干预。

澳大利亚新南威尔士大学（University of New South Wales）心理学系的Md Hamidul Huque团队联合多国机构，基于三大国际队列开发了首个覆盖全生命周期的痴呆风险评估系统。研究创新性地将听力损失等新型风险因子纳入传统CogDrisk框架，通过60:40拆分UK Biobank（n=288,552）和ARIC（n=5,860）队列进行模型开发与验证，并采用Whitehall II（n=6,516）进行外部验证。

关键技术方法包括：1）应用多变量正态插补（MVNI）处理缺失数据；2）采用性别分层Cox回归与随机效应meta分析整合跨队列参数；3）通过Harrell's C统计量和Hosmer-Lemeshow检验评估模型效能；4）对比CAIDE和原始CogDrisk工具的预测差异。

主要研究结果

模型开发与验证

Meta分析显示：男性痴呆风险与高龄（55-59岁HR=1.61）、低教育（<8年HR=0.58）、糖尿病（HR=0.86）和卒中（HR=1.10）显著相关；女性风险则与吸烟（HR=0.38）、听力损失（HR=0.24）和高胆固醇（HR=0.18）更密切。CogDrisk-ML在验证集的C统计量达0.71（ARIC）、0.75（UK Biobank）和0.70（Whitehall II），显著优于CAIDE的0.53-0.69。

年龄因素解析

在去除年龄权重后，所有工具预测效能均下降约20%（C统计量0.53-0.66），证实年龄是痴呆风险的核心预测因子。但ARIC队列29年随访数据显示，完整模型较年龄-性别基础模型的预测提升达7.6%（0.66→0.71），提示长期随访中非年龄因子的重要性。

临床适用性验证

采用三分位切割点时，CogDrisk-ML对ARIC队列的敏感性/特异性达72.3%/58.4%，UK Biobank队列更达79.5%/55.0%。量化分析显示，高风险组（≥66.6百分位）的痴呆发生风险是低风险组的6.39-29.15倍。

这项发表于《Age and Ageing》的研究开创性地解决了中青年痴呆风险评估工具匮乏的难题。通过整合当代风险因子证据与多国队列数据，CogDrisk-ML首次实现从40岁开始的连续风险预测，其性别特异性算法为个性化干预提供精准依据。研究者特别指出，该工具可直接整合至现有CogDrisk在线平台，无需新增检测项目即可完成评估，极大提升了临床适用性。未来推广中需注意健康志愿者偏倚的潜在影响，并在更多族裔人群中验证其普适性。