《Frontiers in Aging Neuroscience》：Overcoming the diagnostic gap in mild cognitive impairment in Parkinson’s disease: a pilot study employing a machine learning-/augmented reality-based digital biomarker
编辑推荐：
认知障碍是帕金森病（Parkinson’s disease, PD）最具临床意义的非运动症状之一，常与患者生活质量下降、照护者负担加重以及痴呆转化风险升高相关。帕金森病轻度认知障碍（Parkinson’s disease mild cognitive impa
认知障碍是帕金森病（Parkinson’s disease, PD）最具临床意义的非运动症状之一，常与患者生活质量下降、照护者负担加重以及痴呆转化风险升高相关。帕金森病轻度认知障碍（Parkinson’s disease mild cognitive impairment, PD-MCI）临床表现异质性显著，且可能具有重要预后意义。本研究为一项初步研究，旨在评估基于机器学习/增强现实（Machine Learning/Augmented Reality, ML/AR）的数字认知评估工具——NeuroMarker在识别PD-MCI中的可行性及初步诊断效能，并与临床医师主导的分类结果进行比较。
帕金森病（Parkinson’s disease, PD）是全球第二大常见神经退行性疾病，随着人口老龄化进程加速，其疾病负担日益加重。认知功能障碍作为PD最具临床意义的非运动症状之一，严重影响患者生活质量，加重照护者负担，并显著增加医疗资源的利用。在PD的认知损害谱系中，帕金森病轻度认知障碍（PD-MCI）处于正常认知与帕金森病痴呆（Parkinson’s disease dementia, PDD）之间的过渡阶段，具有关键的预后价值。流行病学研究显示，19%–62%的PD-MCI患者可能在确诊后2–5年内进展为痴呆，年转化率约为6%–15%，凸显早期识别与干预的紧迫性。
然而，PD-MCI的临床诊断面临严峻挑战。其临床表现 subtle 且高度异质，现有诊断主要依赖临床量表评估与患者访谈，敏感性和客观性有限。传统神经心理学测验虽可评估记忆、语言及视空间功能，但往往缺乏足够的敏感性以捕捉早期细微变化，与生物学标志物相关性较差，且数字化程度不足，难以满足现代精准医疗和转化神经科学的发展需求。近年来，人工智能（artificial intelligence, AI）作为辅助诊断工具在PD综合管理中的应用日益受到关注，有望提升认知衰退的早期识别与监测能力。数字生物标志物，特别是整合机器学习和增强现实（augmented reality, AR）技术的多模态评估平台，为捕捉常规临床实践中易被忽视的早期认知缺陷提供了新途径。
在此背景下，研究人员开展了一项概念验证性初步研究，评估基于平板自评的数字认知评估平台NeuroMarker在PD-MCI识别中的可行性及诊断效能。该研究发表于《Frontiers in Aging Neuroscience》。
研究采用横断面设计，纳入21例符合运动障碍学会（Movement Disorders Society, MDS）诊断标准的特发性PD患者。入组患者年龄≥18岁，PD药物稳定治疗≥30天，具备知情同意能力；排除Hoehn-Yahr（H&Y）分期V期、住院患者、妊娠期或哺乳期女性、存在干扰评估的情况（如痴呆、简易精神状态检查<21分）等。所有患者均完成NeuroMarker评估，该评估包含13项基于平板的功能性任务挑战，涵盖形状绘制、点击、平衡、增强现实及语言/言语任务，通过前置机器算法处理多模态任务衍生信号（包括运动性、功能性、言语/语言及任务表现信号），生成MCI二元分类结果。临床参考标准由临床医师基于MDS Task Force Level I（简化）标准、简易精神状态检查（Mini-Mental State Examination, MMSE）、Addenbrooke认知检查量表第三版（Addenbrooke’s Cognitive Examination-III, ACE-III）、Hoehn-Yahr分期及贝克抑郁量表（Beck Depression Inventory, BDI）等综合判断，且临床评估时NeuroMarker结果处于盲态。
研究结果显示，临床医师识别出6例PD-MCI患者，NeuroMarker成功识别全部6例，同时额外标记出11例临床未识别为MCI的患者。敏感性为100%（95%置信区间：54.1–100），特异性为26.7%（95%置信区间：7.8–55.1），阳性预测值为35.3%（95%置信区间：14.2–61.7），阴性预测值为100%（95%置信区间：39.8–100），准确率为47.6%（95%置信区间：25.7–70.2），Cohen’s κ=0.17。组间比较显示，年龄（p=0.024）、ACE-III评分（p=0.005）、性别（p=0.040）及受教育程度（p=0.033）存在显著组间差异；经Bonferroni校正后，仅ACE-III在A组（临床与NeuroMarker均识别为MCI）与C组（两者均未识别为MCI）之间差异显著（校正后p=0.012）。值得注意的是，B组（仅NeuroMarker识别为MCI）在ACE-III和MMSE上表现介于A组与C组之间（ACE-III均值：A组82.2 < B组86.3 < C组98.8；MMSE均值：A组24.3 < B组27.5 < C组29.3），提示该组可能存在临床未识别的早期或阈下认知损害。Hoehn-Yahr分期在各组间无显著差异（p=0.36），表明运动严重程度可能未显著影响分类结果，但因样本量限制尚不能排除其潜在影响。
讨论部分，研究人员指出NeuroMarker在初步研究中展现出识别临床确诊PD-MCI病例的能力，同时标记出额外11例临床未识别的患者。这一发现的双重解读需要审慎：一方面，这些额外检出的病例可能代表了传统临床评估未能捕捉的早期或阈下认知损害，体现了数字生物标志物在敏感性方面的优势；另一方面，在缺乏纵向随访和金标准神经心理学评估的情况下，亦不能完全排除假阳性或运动相关因素导致误判的可能。ACE-III在三组间呈现的梯度变化（A < B < C）支持了NeuroMarker可能对认知损害程度具有连续性感知的假设，但这一探索性发现需在更大样本中验证。性别和教育程度与分类结果相关，提示这些人口学变量可能调节PD-MCI的临床与数字检测效能，或与认知储备概念有关。研究的局限性包括样本量小（n=21）、置信区间宽、特异性低、缺乏纵向随访、未采用MDS Level II全面神经心理学评估作为金标准，以及NeuroMarker算法未针对PD人群进行专门训练或重新校准——该算法系基于先前期望用于阿尔茨海默病研究的模型，其在PD中的应用可能受到运动症状混杂的影响。
研究结论表明，这项概念验证性初步研究证实，基于自评式平板设备的数字认知评估NeuroMarker能够识别所有临床认定的PD-MCI病例，并额外检测出具有中间认知表现特征的患者群体，这些患者可能代表了更早阶段或阈下的认知损害。这些发现支持将临床判断与敏感数字生物标志物相结合，以改善PD认知衰退的早期检测与监测。然而，鉴于样本量有限、特异性较低、缺乏纵向验证及PD特异性算法开发，上述结果应被视为可行性和信号检测的初步证据，而非确定性诊断准确性结论。未来需要开展更大规模、采用全面神经心理学评估标准、并进行纵向随访的国际跨文化研究，以进一步验证该技术在PD临床管理中的价值，明确额外检出病例的临床转归意义，并探索PD特异性模型开发对提升分类效能的作用。
