DOI: https://doi.org/10.3389/fneur.2026.1718791
PMID: https://pubmed.ncbi.nlm.nih.gov/41783845
تاريخ النشر: 2026-02-17
المؤلف: Tao Ye وآخرون
الموضوع الرئيسي: أبحاث الخرف وضعف الإدراك
نظرة عامة
كان الهدف من هذه الدراسة هو تطوير والتحقق داخليًا من نموذج تعلم آلي (ML) قادر على تحديد المرضى الخارجيين الأكبر سنًا الذين يعانون من ضعف إدراكي خفيف (MCI) باستخدام بيانات السجلات الصحية الإلكترونية (EHR) الروتينية. أجريت الدراسة كدراسة مقطعية استعادية في تشجيانغ، الصين، حيث تم تحليل المرضى الخارجيين من المجتمع الذين تتراوح أعمارهم بين 60 عامًا وما فوق، باستخدام مؤشرات EHR المنظمة مثل البيانات الديموغرافية، والأمراض المصاحبة، وعوامل نمط الحياة، وأنماط الزيارة. تم تحديد النتيجة المعنية، MCI، من خلال طرق الفحص الإدراكي بما في ذلك تقييم مونتريال الإدراكي (MoCA) والاختبارات التكميلية. تم تقييم مجموعة متنوعة من مصنفات ML الخاضعة للإشراف باستخدام التحقق المتقاطع 10-fold ومجموعة اختبار مستقلة، مع معالجة عدم توازن الفئات من خلال تقنية الزيادة الاصطناعية للأقليات (SMOTE).
أشارت النتائج إلى أن نموذج تعزيز التدرج تفوق على الآخرين، محققًا متوسط منطقة تحت منحنى ROC (AUC) قدره 0.855 خلال التحقق المتقاطع وAUC قدره 0.850 على مجموعة الاختبار، بالإضافة إلى دقة قدرها 0.833. تشمل المؤشرات الرئيسية المحددة العمر الأكبر، الجنس الأنثوي، مستويات التعليم المنخفضة، حجم الأسرة الأصغر، ودرجات الاكتئاب الأعلى. بينما أظهر النموذج تمييزًا جيدًا ومعايرة، مع عتبة حساسية عالية تؤدي إلى حساسية قدرها 0.802 وخصوصية قدرها 0.751، فإن التحقق الخارجي ضروري لتأكيد فائدته السريرية. بشكل عام، تقترح هذه الدراسة أن نماذج ML يمكن أن تعزز تحديد كبار السن المعرضين لخطر MCI، مما يسهل التدخلات المبكرة للتخفيف من التدهور الإدراكي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التحدي المتزايد في الصحة العامة الذي تسببه ضعف الإدراك الخفيف (MCI) بسبب شيخوخة السكان، مع انتشار عالمي يقدر بـ 23.7% بين كبار السن و19.6% تحديدًا في الصين. تواجه إعدادات الرعاية الأولية حواجز كبيرة تسهم في نقص تشخيص ضعف الإدراك، مما يستدعي الحاجة إلى حلول مبتكرة. يقترح المؤلفون استخدام بيانات السجلات الصحية الإلكترونية (EHR) التي يتم جمعها بشكل روتيني ومنخفض التكلفة للمرضى الخارجيين، مستفيدين من تقنيات الذكاء الاصطناعي (AI) وتعلم الآلة (ML) لتحديد الأفراد المعرضين لخطر MCI. أظهرت الدراسات السابقة إمكانيات نماذج ML في التمييز بين MCI ومرض الزهايمر باستخدام ميزات غير تصويرية متنوعة، على الرغم من وجود فجوات في التحقق الخارجي والفائدة السريرية.
طور المؤلفون وقيّموا داخليًا نموذج تعزيز التدرج المدرب على بيانات المرضى الخارجيين من المجتمع، محققين منطقة تحت المنحنى (AUC) لمجموعة الاختبار تبلغ حوالي 0.85 للتمييز بين MCI والإدراك الطبيعي. أظهر النموذج خصوصية عالية (~0.97) عند العتبة الافتراضية ولكن حساسية منخفضة (~0.29)، مع تعديلات على العتبات تسمح بالتوازن بين الحساسية والخصوصية بناءً على الاحتياجات السريرية. أداء النموذج قابل للمقارنة مع الدراسات الحالية في ML، مما يشير إلى أن بيانات المرضى الخارجيين الروتينية يمكن أن تحقق دقة تنبؤية مماثلة للمنهجيات الأكثر تعقيدًا. تتماشى المؤشرات الرئيسية المحددة في النموذج، مثل العمر، الجنس، التعليم، الدعم الاجتماعي، والاكتئاب، مع عوامل الخطر المعروفة، مما يعزز من الأهمية السريرية للنموذج. بينما تشير التقييمات الداخلية إلى معايرة جيدة وفائدة صافية إيجابية، يؤكد المؤلفون على ضرورة التحقق الخارجي لتأكيد فائدة النموذج السريرية، مما يمهد الطريق للتكامل المستقبلي لمصادر بيانات إضافية.
الطرق
يستعرض قسم “الطرق” في الورقة البحثية التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. يوضح معايير اختيار المشاركين، والإجراءات المحددة المتبعة خلال جمع البيانات، والأدوات المستخدمة للقياس. كما يصف القسم التحليلات الإحصائية التي تم إجراؤها لتفسير البيانات، بما في ذلك أي برامج تم استخدامها والعتبات الدلالية التي تم تحديدها لاختبار الفرضيات.
بالإضافة إلى ذلك، تشمل المنهجية مناقشة الضوابط التي تم تنفيذها لتقليل التحيز وضمان موثوقية النتائج. قد يكون المؤلفون قد استخدموا تقنيات متنوعة مثل العشوائية، والتعمية، أو الطبقية لتعزيز صحة نتائجهم. بشكل عام، يوفر هذا القسم نظرة شاملة على الإطار المنهجي الذي يدعم الدراسة، مما يضمن إمكانية تكرار النتائج والتحقق منها من قبل الأبحاث المستقبلية.
النتائج
في قسم النتائج، يتم تقديم نتائج إضافية، تركز على تباين التحقق المتقاطع 10-fold (CV) الموضح من خلال الرسوم البيانية الصندوقية، بالإضافة إلى رسومات SHAP (SHapley Additive exPlanations) التي تسلط الضوء على الأنماط غير الخطية والتفاعلات داخل البيانات. نظرًا لقيود المساحة، يتم تقديم هذه التصورات في الأشكال التكميلية (S1-S3)، مع تلخيص النص الرئيسي فقط الاستنتاجات الرئيسية المستمدة من هذه التحليلات. يسمح هذا النهج بعرض موجز للنتائج مع الاعتراف في الوقت نفسه بتعقيد التفاعلات الأساسية للبيانات.
المناقشة
ت outlines قسم المناقشة في الورقة البحثية المنهجية والنتائج من تحليل مقطعي استعادي يهدف إلى التنبؤ بضعف الإدراك الخفيف (MCI) لدى كبار السن باستخدام تقنيات تعلم الآلة (ML) على بيانات سريرية غير تصويرية. التزمت الدراسة بالإرشادات المعمول بها (STROBE، TRIPOD+AI، PROBAST) للبحث الملاحظ، مما يضمن الامتثال الأخلاقي والتحقق الدقيق من النموذج. تم الحصول على البيانات من مراكز الصحة المجتمعية في مقاطعة تشجيانغ، الصين، مع التركيز على البالغين الذين تتراوح أعمارهم بين 60 عامًا وما فوق، مع نتيجة رئيسية هي MCI المحددة بمعايير إدراكية محددة. شمل تطوير النموذج اختيارًا شاملاً للمؤشرات، بما في ذلك البيانات الديموغرافية، والحالات المزمنة، والعوامل النفسية الاجتماعية، مع معالجة عدم توازن الفئات من خلال زيادة الأقليات الاصطناعية.
ظهر نموذج تعزيز التدرج كأكثر الخوارزميات فعالية، محققًا منطقة تحت منحنى التشغيل (AUC) تبلغ حوالي 0.85، مما يدل على قدرات تمييز قوية. تشمل المؤشرات الرئيسية المحددة من خلال تحليل SHAP العمر، والتعليم، وأعراض الاكتئاب، مما يتماشى مع الآليات المعروفة للتدهور الإدراكي. تؤكد الدراسة على أهمية اختيار العتبات لتطبيقات الفحص العملية، مع تحقيق توازن بين الحساسية والخصوصية بناءً على السياق السريري. بينما يظهر النموذج وعدًا في تعزيز فحص الإدراك المجتمعي، يعترف المؤلفون بالقيود مثل احتمال التحيز في الاختيار والحاجة إلى التحقق الخارجي. تهدف الأعمال المستقبلية إلى تطوير أداة دعم القرار لفحص الخرف، مشروطة بمزيد من التحقق والتكامل مع السجلات الصحية الإلكترونية. بشكل عام، تشير النتائج إلى أن ML يمكن أن يحدد بفعالية كبار السن المعرضين لخطر MCI، مما يسهل التدخلات في الوقت المناسب للتخفيف من التدهور الإدراكي.
DOI: https://doi.org/10.3389/fneur.2026.1718791
PMID: https://pubmed.ncbi.nlm.nih.gov/41783845
Publication Date: 2026-02-17
Author(s): Tao Ye et al.
Primary Topic: Dementia and Cognitive Impairment Research
Overview
The objective of this study was to develop and internally validate a machine learning (ML) model capable of identifying older outpatients with mild cognitive impairment (MCI) using routine electronic health record (EHR) data. Conducted as a retrospective cross-sectional study in Zhejiang, China, the research analyzed community outpatients aged 60 years and older, utilizing structured EHR predictors such as demographics, comorbidities, lifestyle factors, and visit patterns. The outcome of interest, MCI, was determined through cognitive screening methods including the Montreal Cognitive Assessment (MoCA) and supplemental tests. Various supervised ML classifiers were evaluated using 10-fold cross-validation and an independent test set, with class imbalance addressed through the Synthetic Minority Over-sampling Technique (SMOTE).
The results indicated that the Gradient Boosting model outperformed others, achieving a mean area under the ROC curve (AUC) of 0.855 during cross-validation and an AUC of 0.850 on the test set, alongside an accuracy of 0.833. Key predictors identified included older age, female sex, lower education levels, smaller family size, and higher depression scores. While the model demonstrated good discrimination and calibration, with a high-sensitivity threshold yielding a sensitivity of 0.802 and specificity of 0.751, external validation is necessary to confirm its clinical utility. Overall, this study suggests that ML models can enhance the identification of older adults at risk for MCI, potentially facilitating earlier interventions to mitigate cognitive decline.
Introduction
The introduction of this research paper highlights the growing public health challenge posed by mild cognitive impairment (MCI) due to population aging, with a global prevalence estimated at 23.7% among older adults and 19.6% specifically in China. Primary care settings encounter significant barriers that contribute to the underdiagnosis of cognitive impairment, prompting the need for innovative solutions. The authors propose utilizing low-cost, routinely collected outpatient electronic health record (EHR) data, leveraging artificial intelligence (AI) and machine learning (ML) techniques to identify individuals at risk for MCI. Previous studies have demonstrated the potential of ML models to discriminate between MCI and Alzheimer’s disease using various non-imaging features, although gaps in external validation and clinical utility remain.
The authors developed and internally evaluated a Gradient Boosting model trained on community outpatient data, achieving a test set area under the curve (AUC) of approximately 0.85 for discriminating MCI from normal cognition. The model exhibited high specificity (~0.97) at the default threshold but low sensitivity (~0.29), with adjustments to thresholds allowing for a balance between sensitivity and specificity based on clinical needs. The model’s performance is comparable to existing ML studies, indicating that routine outpatient data can yield predictive accuracy similar to more complex methodologies. Key predictors identified in the model, such as age, sex, education, social support, and depression, align with established risk factors, reinforcing the model’s clinical relevance. While the internal evaluation suggests good calibration and positive net benefit, the authors emphasize the necessity for external validation to confirm the model’s clinical utility, paving the way for future integration of additional data sources.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. It details the selection criteria for participants, the specific procedures followed during data collection, and the instruments used for measurement. The section also describes the statistical analyses conducted to interpret the data, including any software utilized and the significance thresholds established for hypothesis testing.
Additionally, the methodology includes a discussion of the controls implemented to minimize bias and ensure the reliability of the results. The authors may have employed various techniques such as randomization, blinding, or stratification to enhance the validity of their findings. Overall, this section provides a comprehensive overview of the methodological framework that underpins the study, ensuring that the results can be replicated and verified by future research.
Results
In the Results section, supplementary findings are presented, focusing on the 10-fold cross-validation (CV) variability illustrated through boxplots, as well as SHAP (SHapley Additive exPlanations) beeswarm and dependence plots that highlight non-linear patterns and interactions within the data. Due to space constraints, these visualizations are provided in the Supplementary Figures (S1-S3), with the main text summarizing only the key conclusions derived from these analyses. This approach allows for a concise presentation of the results while still acknowledging the complexity of the underlying data interactions.
Discussion
The discussion section of the research paper outlines the methodology and findings from a retrospective cross-sectional analysis aimed at predicting mild cognitive impairment (MCI) in older adults using machine learning (ML) techniques on non-imaging clinical data. The study adhered to established guidelines (STROBE, TRIPOD+AI, PROBAST) for observational research, ensuring ethical compliance and rigorous model validation. Data were sourced from community health centers in Zhejiang Province, China, focusing on adults aged 60 and above, with a primary outcome of MCI defined by specific cognitive criteria. The model development involved a comprehensive selection of predictors, including demographics, chronic conditions, and psychosocial factors, with class imbalance addressed through synthetic minority oversampling.
The Gradient Boosting model emerged as the most effective algorithm, achieving an area under the receiver operating characteristic curve (AUC) of approximately 0.85, indicating strong discrimination capabilities. Key predictors identified through SHAP analysis included age, education, and depressive symptoms, aligning with established cognitive decline mechanisms. The study emphasizes the importance of threshold selection for practical screening applications, balancing sensitivity and specificity based on clinical context. While the model shows promise for enhancing community cognitive screening, the authors acknowledge limitations such as potential selection bias and the need for external validation. Future work aims to develop a decision-support tool for dementia screening, contingent on further validation and integration with electronic health records. Overall, the findings suggest that ML can effectively identify older adults at risk for MCI, facilitating timely interventions to mitigate cognitive decline.