编辑推荐：
摘要：简易精神状态检查（Mini Mental State Examination, MMSE）被广泛用于一线认知筛查。然而，临床实践中对异质性人群（不同年龄、教育程度和语言背景）采用单一分界值（cut-off score），导致阈值不一致及转诊决策偏差。为客
摘要：简易精神状态检查（Mini Mental State Examination, MMSE）被广泛用于一线认知筛查。然而，临床实践中对异质性人群（不同年龄、教育程度和语言背景）采用单一分界值（cut-off score），导致阈值不一致及转诊决策偏差。为客观整合人文因素，研究人员开发了融合人文因素的MMSE（human factor integrated MMSE, hMMSE）框架，综合总分、条目反应模式及常规可获得的人文因素变量，在标准施测流程不变的前提下输出个体化认知损害风险估计值。基于阿尔茨海默病神经影像计划（Alzheimer's Disease Neuroimaging Initiative, ADNI）多中心队列，该整合模型使认知正常（Cognitively Normal, CN）受试者的不必要转诊减少0.9％（2615例中23例），并使认知损害漏诊减少7.1％（3965例中282例）。改善主要源于对轻度认知损害（Mild Cognitive Impairment, MCI）检出率的提升，且伴随更准确的阿尔茨海默病（Alzheimer's Disease, AD）与MCI下游区分。决策曲线分析（Decision Curve Analysis, DCA）显示在临床相关风险阈值范围内具有更高净获益（net benefit），支持灵活适配本地操作点而无须特设人口学校正。因此，计算校准可将MMSE从静态分界值工具转化为用于精准筛查的个体化决策支持工具。
论文解读：融合人文因素的简易精神状态检查（hMMSE）用于改进认知筛查
《npj Dementia》刊载的此项研究针对简易精神状态检查（Mini Mental State Examination, MMSE）在临床认知筛查中因忽视年龄、教育程度及语言一致性等人文因素（human factor），对异质人群采用单一全局分界值（cut-off）而导致高功能人群认知损害漏诊及低基线人群不必要转诊的结构性缺陷，提出并验证了一种融合人文因素的MMSE（human factor integrated MMSE, hMMSE）两阶段分层风险预测框架。研究人员利用阿尔茨海默病神经影像计划（Alzheimer's Disease Neuroimaging Initiative, ADNI）多中心队列数据证明，在不改变MMSE原有施测与评分流程的前提下，整合MMSE总分、各条目（item-level）作答情况以及受检者年龄、受教育年限和测试语言一致性指标，可输出受检者罹患认知损害（非CN，含轻度认知损害〔Mild Cognitive Impairment, MCI〕及阿尔茨海默病〔Alzheimer's Disease, AD〕）及其分期（MCI vs AD）的个体化后验概率，显著提高筛查灵敏度与特异度，减少漏诊与误诊，且具有跨人口学亚组的算法公平性（algorithmic fairness）与更高临床净获益（net benefit）。
为开展本研究，研究人员采用的主要关键技术方法如下：以ADNI数据库中经严格质控、具完整MMSE条目得分及确诊CN/MCI/AD标签和多人口学变量（年龄、受教育年限、语言一致性）的6580例受试者为分析队列；构建两阶段层级分类框架——Task A用梯度提升决策树（Gradient Boosting Decision Tree, GBDT；具体为HistGradientBoosting）判别CN与非CN，Task B用相同架构模型对Task A筛出的非CN受试进一步区分MCI与AD；特征向量由MMSE总分(Si)、MMSE各条目二值/计分反应(ri,1…n，n=30)、六大认知域亚分（orientation定向、registration即刻记忆、attention and calculation注意与计算、recall延迟回忆、language语言、visuospatial praxis视空间实践；Di,1…K，K=6）及人文因素（年龄ai、受教育年限ei、语言一致性指示符li）拼接而成；采用分层交叉验证与袋外（out-of-fold）预测，通过亚组约束阈值优化确保各年龄–教育分层敏感性（Sensitivity, Se）不降低且特异性（Specificity, Sp）不低于传统MMSE参考值（Task A以MMSE<28为基线，Task B以MMSE<24为基线），并以2000次Bootstrap重抽样及决策曲线分析（Decision Curve Analysis, DCA）评估统计稳健性与临床效用。
Clinical impact and statistical robustness of the proposed framework（所提框架的临床影响与统计稳健性）
研究人员对比hMMSE与传统MMSE（总分<28判为非CN，<24判为AD而非MCI）在Task A（CN vs 非CN，nCN=2615，n非CN=3965）与Task B（MCI vs AD，进入Task B者为Task A判定为非CN者）的表现。结果显示：Task A中CN被误判需转诊者由384例(14.7%)降至361例(13.8%)，少23例不必要转诊（绝对降幅0.9%，P<0.001）；非CN漏诊由1126例(30.9%)降至944例(23.8%)，多检出282例（绝对降幅7.1%，P<0.001），其中MCI漏诊由1202/2857降至923/2857（降幅9.8个百分点）。Task B中AD被误判为MCI者由391/1084降至284/1087（少107例误分期，降幅9.9个百分点），端到端（两阶段全流程）AD最终未被正确分类者由415/1108降至305/1108（少110例，降幅9.9个百分点）。Bootstrap验证表明Task A灵敏度由0.691升至0.762（95%CI差值0.044–0.105，P<0.001），特异度由0.853升至0.862（95%CI差值0.004–0.013，P<0.05），F1由0.773升至0.822；Task B灵敏度由0.639升至0.739、特异度由0.640升至0.683（均P<0.001），所有置信区间不含零，证实性能增益统计稳健可重复。
Performance across age and education strata（跨年龄与教育分层的表现）
按年龄（50–59、60–69、70–79、≥80岁）×教育（≤12年 vs >12年）分为8个人口学亚组进行评估。Task A中各亚组灵敏度均提升或持平，特异度同步维持或改善，高学历年轻组（50–59岁，>12年教育）灵敏度由0.199升至0.342，老年低教育组亦有显著改善且无非劣性（non-inferiority）违背。Task B中各亚组灵敏度亦全面显著提升（均P<0.001），提示MCI与AD分期精度提升不局限于特定人口学子集，满足临床公平部署要求。
Feature contribution and model interpretability（特征贡献与模型可解释性）
通过置换重要性（permutation importance）及特征类别相对贡献分析发现：Task A中MMSE总分贡献占49.5%，人文因素占35.0%，条目分占12.9%，认知域亚分占2.6%；人文因素贡献超条目的与认知域之和，印证人口学校正在认知损害初筛中不可或缺。Task B中MMSE总分贡献升至57.6%，人文因素降至20.1%，条目分升至15.7%，认知域亚分升至6.6%，反映MCI与AD鉴别更依赖整体认知水平下降幅度及特定条目失分模式（如重复、定向、词语回忆等），人口学校正作用相对减弱。特征消减（ablation）实验证实加入人文因素与条目信息对各分类器均有增量价值。
Threshold sensitivity analysis and clinical utility assessment（阈值敏感性分析与临床效用评估）
对Task A考察MMSE分界值24–28、Task B考察18–24，确认选用<28（Task A）与<24（Task B）为传统基线符合经典临床实践与ADNI惯例。决策曲线分析显示hMMSE在Task A与Task B临床相关阈值区间内净获益均高于传统MMSE，且从不低于基线曲线，说明模型改良了MMSE驱动的临床决策效用而非仅平移统计量。
讨论部分研究人员指出，hMMSE在保留标准MMSE施测流程前提下，通过量化整合人文因素与条目反应谱将静态分界值筛查升级为个体化风险估计，在ADNI大队列中实现初筛漏诊率与假阳性转诊双降、MCI与AD分期误判减少，且跨人口学亚组公平、具更高净获益。需注意hMMSE仍属筛查辅助而非最终诊断手段（尤对于非遗忘型MCI及额颞叶、血管性、路易体痴呆等MMSE覆盖较薄的认知域表型敏感性可能受限），其效能依赖于训练队列规模，小样本亚组结论需谨慎解释。未来需在多中心前瞻性队列验证、设定不同医疗场景操作点并评估成本–效果，框架可通过增加短时附加测验（画钟、词语流畅、连线B）或适配蒙特利尔认知评估（Montreal Cognitive Assessment, MoCA）条目扩展至非遗忘谱系。hMMSE不改变MMSE原版授权要求，仅需链接受检者既有人口学记录与MMSE得分即可输出风险概率供临床参考，并通过公开版本控制支持再验证与自适应更新，契合临床算法监管预期。
研究结论（原文Discussion结论浓缩翻译）：
本研究表明，在MMSE认知筛查决策中联合MMSE总分、各条目反应及常规采集的人文因素变量（年龄、教育程度、语言一致性），构建两阶段分层筛查框架，可在不改动MMSE既有施测逻辑下实现CN、MCI与AD个体化的高精度区分，提高灵敏度与特异度。基于ADNI数据（6580例），所提人因融合MMSE（hMMSE）在初筛阶段（Task A，CN vs 非CN）同时降低CN不必要转诊与认知损害漏诊（尤MCI检出改善），在下游分期（Task B，MCI vs AD）减少错分，使更多真病例获及时评估。特征重要性分析显示MMSE总分仍为主导预测因子，而人文因素贡献率达Task A 35.0%、Task B 20.1%，证实应将其定量纳入筛查模型；决策曲线分析证实临床净获益提升。hMMSE作为MMSE驱动的辅助决策工具可嵌入自动化MMSE测评系统，适用于初级保健与记忆门诊，未来需多中心前瞻性验证并在不同服务能力场景下标定操作阈值。
