基于工作记忆与连贯性言语任务结合的自动化认知筛查工具开发及其在初级医疗中早期识别认知障碍的分类准确性研究

本研究创新性地将工作记忆任务(SM)与连贯性言语任务相结合，采用贝叶斯加性回归树(BART)机器学习算法，开发出适用于初级医疗场景的自动化认知筛查工具。结果显示，该工具通过整合90秒数字符号匹配任务(SM1/SMiff)和个人叙事任务的语言声学特征(如第三共振峰均值F3、类符-形符比)，在区分认知正常(CN)与认知障碍(CI)老年人时展现出0.84的受试者工作特征曲线下面积(AUROC)，其分类准确性优于现行快速轻度认知损害筛查(Qmci)。

　　

背景与方法

认知障碍的早期筛查在初级医疗中面临重大挑战。当前研究开发了一种结合工作记忆测试和语音分析技术的自动化工具，采用贝叶斯加性回归树(BART)算法构建预测模型。研究纳入104名老年人(53名认知正常CN，51名认知障碍CI)，通过90秒数字符号匹配任务(Speeded Matching, SM)和四项言语任务(图片描述、程序性叙述、个人重要事件回忆、倒数数字)采集数据，并提取26项声学特征(如基频、共振峰、语速)和30项语言特征(如语法复杂度、词频、语义多样性)。

关键发现

模型验证显示，包含首次SM测试(SM1)、二次测试差异(SMDiff)和个人叙事任务特征的三联组合表现最优，交叉验证AUROC达0.86。其中SM任务差异值(反映练习效应)的鉴别力尤为突出，认知障碍组改善值(1.9±4.3)显著低于正常组(8.0±9.9)。语言特征中，词汇多样性指标(类符-形符比)和声学参数(第三共振峰均值F3)贡献度最高，这些特征与语音清晰度和词汇检索能力密切相关。

技术突破

研究采用创新的^HIPAA兼容语音分析流程，通过开源工具(openSMILE、Praat、SpaCy)实现自动化特征提取。值得注意的是，BART模型揭示各预测变量重要性呈"长尾分布"——即使排名第四的SM差异值仅出现在2%的分割规则中，凸显机器学习算法通过整合大量弱预测因子实现高精度分类的特点。

临床意义

与现行金标准Qmci相比(灵敏度90%/特异性87%)，新工具在保持相似敏感性的同时，特异性提升至84%。特别适用于初级医疗场景：① 总耗时<5分钟 ② 减少文化/教育背景偏差 ③ 自动化评分避免人工错误。研究同时发现，倒数数字任务与图片描述任务在单独建模时表现欠佳，提示自发性叙事任务对认知评估更具鉴别价值。

应用前景

当前工具已简化为SM+个人叙事+倒数数字的复合版本，正在三家初级医疗中心进行验证。未来研究方向包括：① 扩大样本多样性(尤其西班牙裔和非裔人群) ② 探索与生物标志物(如脑脊液β淀粉样蛋白)的关联性 ③ 开发集成风险评估的临床决策支持系统。该技术框架为实现"数字生物标志物"在神经退行性疾病早期筛查中的应用提供了重要范式。