機器學習算灋能否準確預測記憶診所患者2年癡呆症的發病率，這些預測與現有模型相比如何？
12月16日，來自埃克塞特大學的研究人員在JAMA Network上線上發表了題為“Performance of Machine Learning Algorithms for Predicting Progression to Dementia in Memory Clinic Patients”的研究論文，這些發現表明，機器學習算灋僅使用6個變數就可以準確預測在記憶診所接受護理的患者2年內發生的癡呆症。這些發現可用於為記憶診所的決策輔助工具的開發和驗證提供資訊。
許多在專科機构（例如記憶診所）接受評估的患者在第一次就診時並未患有癡呆症。區分在臨床相關時間範圍內繼續發展為癡呆症的患者和保持無癡呆症的患者很重要，因為這種洞察力可以用於優先考慮患者進行後續調查和干預。
識別患癡呆症的高風險患者對臨床醫生來說是一項挑戰。一種方法是在最初評估時關注輕度認知障礙（MCI）患者並邀請這些患者進行隨訪。然而，這可能會導致對不是隨訪目標但發展為癡呆症的患者和目標為進一步調查但未發展為癡呆症的患者的嚴重錯誤分類。大多數記憶臨床MCI患者即使在10年後也不會進展為癡呆，年轉化率為9.6%。
臨床決策輔助工具可以提高臨床醫生估計癡呆症發作的能力。現有的臨床決策輔助工具可用於估計不同人群中癡呆症的中長期發病率。例如，心血管風險因素、衰老和癡呆症發病率（CAIDE）風險評分旨在預測中年人20年後患癡呆症的風險，而簡要癡呆症篩查名額（BDSI）旨在識別老年人患者通過確定他們在6年內患癡呆症的風險來進行認知篩查。然而，還沒有開發出臨床決策輔助工具來預測記憶診所在較短的臨床相關時期內的癡呆發病率。
機器學習（ML）允許利用來自大型複雜數据集的資訊。最近，它已被應用於癡呆症診斷和風險預測。然而，這些模型通常包含常規臨床實踐中通常不可用的資訊，例如高級神經影像學、基因檢測和腦脊液生物標誌物，將臨床應用限制為專科醫生或研究設定。
使用來自美國國家阿爾茨海默病協調中心（NACC）的記憶臨床數據調查了ML科技是否可用於預測2年期間癡呆症的發病率。還檢查了ML模型達到完整診斷效能所需的最小變數集。
在這項對15307名沒有癡呆症的記憶診所參加者的數據進行的預後研究中，與2個現有的預測模型相比，機器學習算灋在預測2年內發生的癡呆症的能力方面更勝一籌。機器學習算灋只需要6個變數即可達到至少90%的準確度，並且接收器操作特徵曲線下的面積為0.89。
這些發現表明，機器學習算灋可用於準確預測2年癡呆風險，並可能構成臨床決策輔助的基礎。
參考文獻：
http://dx.doi.org/10.1001/jamanetworkopen.2021.36553