将系列血液生物标志物与机器学习结合可增强早期帕金森病认知衰退的预测

这项研究为何重要

许多人把帕金森病视为一种运动障碍，但记忆和思维能力的改变是其最具致残性的影响之一。多达四分之三至五分之四的帕金森患者最终会出现严重的认知问题，这不仅使医疗费用翻倍，也给家庭带来沉重负担。然而，医生在早期识别高危人群方面仍面临困难。本研究探索了简单的重复血液检测与现代计算模型相结合，能否更好地预测在诊断后最初几年内谁会出现认知衰退。

随访患者的过程

研究者利用了新加坡早期帕金森病纵向队列（PALS），这是一个对193名新近确诊的帕金森患者进行细致随访的队列。参与者平均约64岁，起始时多数为轻中度运动症状。研究随访了五年，每年进行蒙特利尔认知评估（MoCA）测试，并在基线、第3年和第5年采集血样。认知衰退被定义为认知评分随时间持续下降，幅度足以影响日常生活，但仍属于早期范畴，仍有干预的机会。

来自大脑的血液信号

研究团队关注两种反映大脑损伤的血液蛋白：神经丝轻链（NfL），代表神经纤维损伤的标志，以及总tau（t-tau），与神经元退行性变相关，常在阿尔茨海默病研究中讨论。他们没有仅看一次快照，而是用简单的描述统计来概括每个人的三次测量值：最低值、最高值、平均值以及数值波动程度。还记录了其他健康信息，如年龄、受教育年限、血压、胆固醇问题和基线认知评分。五年期间，近四分之一的参与者出现了认知衰退，使科学家能够比较出现衰退者与保持稳定者之间的差异。

教计算机识别模式

为了理清这组复杂因素，研究者使用了几种机器学习方法——从数据中学习模式的计算算法。他们首先用三种不同技术从约30个候选变量中挑选出最有信息量的变量。跨方法比较，相同的特征反复位列前茅：t-tau和NfL的动态汇总指标，以及仰卧和站立时测量的舒张压（“底数”）。随后，他们用这些特征的不同组合训练了五类预测模型，并用受试者工作特征曲线下面积（AUC）来衡量每个模型把将来会衰退的患者与不会衰退的患者区分开的能力。

随时间变化的生物标志物带来更好的预测

核心结果是，使用随时间变化的血液测量值的模型明显优于仅基于基线数据的模型。当算法仅使用初始临床和实验室值时，表现有限（最佳AUC约为0.56，几乎与随机相当）。当加入t-tau和NfL在三次时间点上的变化汇总时，准确性显著提高，各方法的AUC大约在0.64到0.76之间。表现最好的单一模型是称为XGBoost的方法，使用仅十几个精心选择的特征达到了0.81的AUC。在该模型中，高且不稳定的t-tau水平和升高的舒张压是特别强的预警信号，而NfL的变化也有贡献但略逊一筹。受教育年限显示出保护作用，符合“认知储备”较高能缓冲大脑损伤的观点。

对护理和临床试验的意义

这些发现指向将帕金森护理从被动应对转向预防性管理的实用路径。由于t-tau和NfL的血检创伤小且正在变得更为普及，诊所理论上可以每几年监测患者的这些指标，并将其与血压测量值结合到一个电脑化的风险计算器中。被标记为高风险的人可能获得更密切的认知监测、有针对性的血压控制，以及更早获得康复或针对tau或相关通路的疾病修饰药物的临床试验机会。该模型也提供了一种“富集”临床试验的方法，通过聚焦于大约四分之一最可能衰退的患者，使得在更少参与者中更容易检测到治疗效应。

对患者意味着什么

对帕金森患者及其家庭而言，这项研究带来了谨慎的乐观情绪。它尚未提供可直接在诊所使用的检验方法，且需要在更大、更多样化的人群中得到验证。但研究表明，简单的重复血液检测——结合血压和基本背景信息——可以帮助计算机有意义地预测谁更可能走上认知问题的高风险路径。通俗地说，观察某些与大脑相关的蛋白质和血压随时间的变化，比单次读数更有信息价值。如果得到验证，此类工具可帮助医生个性化随访、关注可修改的风险（例如血压），并提前规划支持，最终旨在尽可能长时间地保护认知功能与独立性。

引用: Mohammadi, R., Ng, S.Y.E., Tan, J.Y. et al. Machine learning integration of serial blood biomarkers enhances cognitive decline prediction in early Parkinson’s disease. npj Parkinsons Dis. 12, 87 (2026). https://doi.org/10.1038/s41531-026-01298-8

关键词: 帕金森病, 认知衰退, 血液生物标志物, 机器学习, tau 蛋白