使用4-Square步态测试区分正常认知与轻度认知障碍的老年人：一种机器学习方法

《Journal of Geriatric Physical Therapy》：Discrimination of Normal Cognition Versus Mild Cognitive Impairment in Ambulatory Older Adults Using the 4-Square Step Test: A Machine Learning Approach

认知衰退与平衡测试相关性及机器学习模型应用研究。采用四方形踏步测试（FSST）等平衡评估结合MMSE量表，分析128例养老院老人平衡能力与认知功能关联。结果显示FSST与MMSE呈显著负相关（r=-0.43），14.56秒为认知状态分界值，机器学习模型准确率达92%。

　　

摘要

背景与目的：

物理治疗师使用平衡测试来评估姿势控制和跌倒风险，并通过认知测试来筛查认知障碍。研究表明，平衡能力的下降通常伴随着认知能力的下降；或许仅通过平衡测试就能同时检测出平衡能力和认知障碍。本研究有两个目标：（1）探讨平衡测试与简易精神状态检查（MMSE）之间的关系；（2）确定平衡测试结果是否能够准确区分有轻度认知障碍（MCI）的老年人和没有认知障碍的老年人。

方法：

本研究选取了能够独立行走且不使用辅助设备的老年人（共128人，其中女性57人，男性71人，平均年龄76.69岁[标准差6.26岁]），他们居住在养老院中。研究采用了四步测试（FSST）、计时起立行走测试（TUG）、单腿站立测试（SLS）和功能性 reach 测试来评估平衡能力。MMSE 用于评估认知功能。本研究采用了机器学习（ML）方法，这是一种人工智能技术，使计算机能够从数据中学习并做出预测，而无需明确编程。通过结合人口统计学特征、临床信息和平衡测试结果，利用机器学习方法将老年人分为认知正常组和轻度至重度认知障碍组。

结果与讨论：

研究发现 FSST 评分与 MMSE 评分之间存在负相关（相关系数 r = –0.43，P < 0.001）。将 FSST 的临界值定为 14.56 秒，以此将认知正常的老年人（MMSE ≥ 24 分，n = 92）与有轻度或重度认知障碍的老年人（MMSE < 24 分，n = 36）区分开来。使用该临界值时，FSST 的曲线下面积为 0.71（95% 置信区间：0.61-0.82，P < 0.001），灵敏度为 0.77，特异性为 0.56，阳性似然比为 1.75，阴性似然比为 0.41。研究结果令人满意，其中一个机器学习模型在基于 MMSE 的认知障碍分类中准确率达到 92%。有轻度认知障碍的老年人完成 FSST 所需的时间比认知正常的老年人更长。基于 MMSE 数据的人工神经网络在利用 FSST 评分进行认知障碍分类方面表现优于其他机器学习算法。

结论：

可以利用 FSST 预测老年人的认知障碍。此外，多种机器学习模型均具有有效分析这些结果的潜力。