帕金森病患者日常生活中的感知社会支持：独特作用与潜在分类标志物

本研究通过远程监测技术，首次系统探讨了帕金森病(PD)患者感知社会支持(PSS)与非运动症状的关联特征。研究人员对比45名PD患者与47名健康对照发现，PSS与认知功能(MoCA)、焦虑(PROMIS-anxiety)和抑郁(PROMIS-depression)显著相关，且相关性显著强于对照组。机器学习模型证实，在低PSS人群中基于非运动特征的PD识别准确率提升13%(AUC=0.8)，为远程筛查提供了新思路。该成果发表于《Scientific Reports》，为PD非运动症状干预提供了新靶点。

　　

帕金森病(PD)作为第二大神经退行性疾病，其诊断和治疗长期聚焦于震颤、强直等运动症状。然而，患者日常面临的认知衰退、抑郁焦虑等非运动症状，虽严重影响生活质量，却缺乏有效干预靶点。COVID-19大流行期间，近半数PD患者报告症状恶化，其中社交隔离被列为情绪恶化的首要因素——这揭示了社会支持在神经系统疾病中的潜在价值。但传统研究存在三大局限：将实际获得支持与主观感知支持(PSS)混为一谈；缺乏与健康人群的对照；仅关注临床环境而忽略日常场景。

针对这些空白，以色列特拉维夫大学Sagol神经科学学院无障碍神经心理学中心( Center for Accessible Neuropsychology, Sagol School of Neuroscience, Tel Aviv University )的Julia Schonfeldová、Chen Cohen等研究者开展了一项创新研究。团队通过远程平台采集92名参与者(45名PD患者和47名健康对照)的PSS(ISEL-12量表)、认知功能(MoCA)、情绪状态(PROMIS量表)及运动症状(MDS-UPDRS III)数据，结合机器学习分析，首次揭示了PSS在PD非运动症状中的特异性作用。该成果发表于《Scientific Reports》，为开发基于数字健康的PD筛查工具提供了新范式。

研究采用三项关键技术：1) 基于iPONT协议的远程神经心理学评估，通过标准化在线测试(MoCA等)克服PD患者行动障碍；2) 多维度量表联用，包括12项人际支持评估表(ISEL-12)量化PSS及其子维度(评价支持、实质支持、归属支持)，患者报告结局测量信息系统(PROMIS)评估焦虑抑郁；3) L2正则化逻辑回归模型，通过10折交叉验证分析非运动特征对PD的区分效能。

主要发现如下：

PSS与非运动症状的选择性关联
PD组中PSS与MoCA评分呈正相关(r=0.330)，与焦虑(r=-0.389)、抑郁(r=-0.574)显著负相关，且相关性显著强于健康对照组(所有p<0.05)。子分析显示，认知功能主要与实质支持(如物资帮助)和评价支持(如情感倾诉)相关，而情绪症状与所有PSS子维度均相关。

PSS与运动症状的分离特性
MDS-UPDRS III运动评分(r=-0.075)、病程(r=-0.037)和H&Y分期(r=-0.192)与PSS均无显著关联，证实PSS特异性作用于非运动领域。

PSS调控的机器学习分类效能
在低PSS人群中，仅用非运动特征(认知+情绪+年龄)的模型AUC达0.8，准确率72%，较之高PSS人群(AUC=0.67)提升13%(p<0.0001)。这表明PSS水平可优化PD远程筛查策略。

这项研究开创性地揭示了PSS在PD中的双重价值：既是改善非运动症状的可干预靶点，又是优化疾病分类的生物标志物。其临床意义在于：1) 提出应通过增强患者对支持的"主观感知"(如定期心理疏导)而非单纯增加社交频率来改善预后；2) 验证了远程采集非运动数据的可行性，为资源匮乏地区提供筛查方案；3) 建立的PSS分层模型可精准识别高风险人群。未来研究需在更大样本中验证PSS对其他神经疾病的普适性，并开发基于数字平台的PSS干预模块。