痴呆症，實際上並非指代某種特定的疾病，而是用來描述具有“記憶、思維和社會能力下降”一組症狀的醫學術語。據WHO統計，全世界現有超過5500萬的痴呆症患者，每年新增近1000萬例。痴呆症在全球十大死亡原因中位列第七，是全球老年人殘疾和依賴他人的主要原因之一。
記憶力下降是痴呆症最常見的早期症狀，如果能更早識別出可能發展為痴呆症的患者，就有助於優先安排措施干預病情進展。然而，識別出具有痴呆症高風險的患者對臨床醫生來說依然是一個挑戰，是否可以開發一種人工智慧準確預測記憶門診的患者在未來患上痴呆症的機率呢？
近日，英國埃克塞特大學醫學院的研究人員在 JAMA 子刊 JAMA Network Open 線上發表了題為：Performance of Machine Learning Algorithms forPredicting Progression to Dementia in Memory Clinic Patients 的研究論文。
該研究開發了一種機器學習的臨床決策輔助工具，可以發現檢查資料的潛藏模式、分析出記憶門診中未來2年罹患痴呆症的高風險人群、並且幫助降低痴呆症的臨床誤診率。
針對痴呆症，現有兩種臨床決策輔助工具輔助評估不同人群中痴呆症的中長期發病率。其中，心血管危險因素、年齡和痴呆症發病（Cardiovascular Risk Factors, Aging, and Incidenceof Dementia, CAIDE）風險評分旨在預測中年人20年後罹患痴呆症的風險，簡要痴呆篩查指標（Brief Dementia Screening Indicator, BDSI）旨在預測老年患者6年後罹患痴呆症的風險。
研究納入了2005-2015年間就診於美國三十多個國家阿爾茨海默病協調中心（National Alzheimer’s Coordinating Center, NACC）記憶門診的15307名患者為研究物件。這些患者雖然在記憶和大腦功能上存在一些問題，但尚未患有痴呆症。研究人員將機器學習（Machine Learning）用於痴呆症的診斷和風險預測，首次實現了較短臨床相關時期（2年）內記憶門診的痴呆症發病率預測。
資料顯示，在2005年至2015年的研究時間範圍內，每10個記憶門診患者就有1個（1568人）在未來兩年內被確診為痴呆症。機器學習能有效地工作，使用臨床常規提供的病人資訊，如記憶和大腦功能、認知測試的表現和特定的生活方式因素。與BDSI和CAIDE相比，機器學習演算法可以更準確的預測這些新診斷的痴呆症病例，準確率高達92%。
研究人員還首次發現，大約8%（130人）的痴呆症診斷似乎是錯誤的，因為他們的診斷後來被推翻了，然而機器學習模型模型可以很大程度識別這些不一致的診斷。“這是對NACC統一資料集（Uniform Data Set, UDS）中的潛在誤診進行首次分析，機器學習作為臨床決策輔助工具有可能減少高達84%的假陽性”，該團隊表示。
該研究的共同作者，埃克塞特大學的研究員 Janice Ranson 博士補充說："痴呆症是一種非常令人恐懼的疾病。在記憶診所中嵌入機器學習可以幫助確保診斷更加準確，減少錯誤診斷可能導致的不必要的困擾。"
該團隊現在計劃進行後續研究，以評估機器學習方法在臨床的實際使用情況，以評估它是否可以推廣到改善痴呆症的診斷、治療和護理。
