《npj Digital Medicine》：Diagnostic accuracy of digital clock drawing test for Alzheimer disease and mild cognitive impairment
编辑推荐：
面对AD与MCI早期筛查工具精度不一、证据矛盾的痛点，研究者通过系统评价与双变量混合效应模型汇总13项研究17种诊断测试，证实dCDT对MCI（AUC 0.825）与AD（AUC 0.928）具备良好诊断性能，算法评分优于传统评分，为临床转化提供循证依据。
提到“画个钟表指向十点十分”，很多人小时候都玩过类似的游戏。但在神经科门诊里，这不仅仅是一句简单的指令，更是一项经典的神经心理筛查工具——时钟绘图测试（Clock Drawing Test, CDT）。长久以来，临床医生通过肉眼观察患者画出的时钟终产物（如指针位置、数字排布）来大致判断其认知状态。然而，面对阿尔茨海默病（Alzheimer’s disease, AD）和轻度认知障碍（Mild cognitive impairment, MCI）这类起病隐匿、早期表现不典型的神经退行性疾病，传统的纸笔版CDT往往显得“力不从心”。其诊断准确性不一致，尤其在识别早期MCI时灵敏度偏低，难以满足日益增长的精准早筛需求。
随着数字化医疗的浪潮，数字时钟绘图测试（digital Clock Drawing Test, dCDT）应运而生。与传统方式不同，dCDT借助平板、数位笔等设备，不仅能记录最终的“画作”，更能捕捉绘画全过程中的动态特征（如运笔速度、压力变化、空中移动时间等）。这些丰富的“过程相关特征”被认为能挖掘出传统评分忽略的早期认知衰退迹象。不过，尽管dCDT潜力巨大，但既往各项研究的结论并不统一，证据较为分散，这在一定程度上阻碍了其向临床常规实践的转化。为此，研究人员开展了一项系统评价和Meta分析，旨在综合现有最高等级证据，明确dCDT对AD和MCI的诊断准确性，并探讨不同评分模式（传统评分 vs 算法评分）的影响，相关成果发表在《npj Digital Medicine》。
主要关键技术方法
研究人员系统检索了从建库至2026年1月8日的Web of Science、Embase、PubMed、PsycINFO、IEEE Xplore、CNKI及万方数据库。经筛选，最终纳入13项研究（共17项诊断测试）。采用双变量混合效应模型（bivariate mixed-effects model）合并灵敏度（sensitivity）和特异度（specificity），绘制汇总受试者工作特征曲线（summary receiver operating characteristic curve, SROC）并计算曲线下面积（Area Under the Curve, AUC）。此外，还进行了探索性亚组分析，比较单独使用dCDT与联合增强型dCDT，以及传统评分法与算法评分法的差异。
研究结果
纳入研究与偏倚风险
本研究共确定了13项研究，包含17种dCDT诊断测试。质量评估显示，纳入研究普遍存在较为明显的偏倚风险，这也提示未来需要更严谨的标准化研究设计。
MCI的诊断准确性
对于识别轻度认知障碍（MCI），单独使用dCDT时，合并灵敏度为0.765（95% CI: 0.683–0.832），合并特异度为0.752（95% CI: 0.673–0.817），汇总SROC曲线下面积（AUC）为0.825（95% CI: 0.790–0.856）。当同时考虑单独使用和增强型（augmented）dCDT测试时，合并灵敏度变为0.760，合并特异度提升至0.800，汇总AUC也增加至0.845。
AD的诊断准确性
对于识别阿尔茨海默病（AD），dCDT的表现更为出色。其合并灵敏度为0.820（95% CI: 0.721–0.889），合并特异度为0.897（95% CI: 0.860–0.923），汇总AUC高达0.928（95% CI: 0.902–0.948）。
亚组分析：评分方法的差异
在针对MCI的单独dCDT探索性亚组分析中，研究发现采用算法（algorithm-based）评分方法的研究，其诊断性能似乎高于采用传统评分（traditional-scoring）方法的研究。
结论与讨论
这项系统评价和Meta分析为dCDT作为认知障碍数字筛查工具的价值提供了迄今较为全面的循证证据。结果表明，dCDT对AD和MCI均具有令人满意的诊断准确性，尤其是对AD，其AUC达到了0.928的较高水平；对MCI的识别虽然在单独使用时灵敏度和特异度略低（均为0.76左右），但当结合增强型测试或优化评分后，AUC可提升至0.845。这说明dCDT不仅能反映画图的最终产物，更能通过过程特征提升辨别力。
特别值得关注的是，研究指出了评分模式的重要性：基于算法的评分相比传统人工评分，能更好地挖掘dCDT的数字特征，从而提升对MCI这一早期阶段的诊断性能。这意味着，未来的筛查不应局限于“画得像不像”，而应更多依赖对“怎么画”的量化分析。
当然，作者也坦承，目前证据仍存在局限性，如各研究间异质性较大、偏倚风险较高等。因此，开展进一步的多中心研究、制定标准化的dCDT操作与评分协议，将是推动该数字工具真正走入临床、服务于早期诊断和健康管理的关键一步。
