CN114023452A - 一种筛查认知障碍高风险的多维预警模型构建方法及其评估系统 - Google Patents

Abstract

本发明公开了一种筛查认知障碍高风险的多维预警模型构建方法及其评估系统，制定入组标准并在社区对受试者信息采集；采集基本资料和血尿指标，并进行神经心理测验，记录并存储数据；初步筛选出在认知障碍高风险组和正常组有显著性差异的数据指标，并将其作为有效风险预测指标；采用多因素逻辑回归方法，分别建立三种预警模型，并绘制对应预警模型的受试者工作特性曲线，选择最佳的预警模型阈值参数，计算对应预警模型的预测效果；构建内嵌移动终端或计算机的多维认知障碍高风险筛查系统，根据受试者输入的数据信息，系统自动分析并计算得出风险分数，输出风险等级和具体健康建议。本发明结合受试者自身情况，给予多种选择，敏感精准性由低到高。

Description

一种筛查认知障碍高风险的多维预警模型构建方法及其评估 系统

技术领域

本发明涉及认知障碍筛查技术领域，具体涉及一种筛查认知障碍高风险的多维预警模型构建方法及其评估系统，适合认知障碍高风险人群的筛查和评估。

背景技术

据世界卫生组织统计，痴呆症已经成为全球第七大死亡原因，且早发趋势日益明显。由于目前在全球范围内尚无治疗痴呆的有效药物，因此，早发现早预防，成为了研究者的共识。基于此，找出预测认知障碍的有效指标，精准筛查出认知障碍高风险人群就变得尤为重要。社区认知障碍高风险人群的早期识别能够在很大程度上提升受试者的自身健康和生活质量，尤其是降低老年人神经退行性疾病的发生率和医疗费用。但以往研究多存在预测精度高，但指标获取难度大，不适合大范围推广，或指标获取容易，但预测精度低的现状。

发明内容

为了解决上述所存在的技术问题，高效筛查出认知障碍高风险人群，以便尽早进行干预或治疗，结合了受试者生活习惯、认知主诉、生化指标和客观认知测验，本发明构建了便利经济性由高到低，敏感精准性由低到高的一种筛查认知障碍高风险的多维预警模型构建方法及其评估系统。

所述具体方案如下：

一种筛查认知障碍高风险的多维预警模型构建方法，包括以下步骤：

步骤1、制定入组标准并在社区对受试者进行信息采集；

步骤2、采集基本资料和血尿指标，并进行神经心理测验，记录并存储数据；

步骤3、将被采集资料的人员分为认知障碍高风险组和认知正常组，初步筛选出采集资料中不同水平在认知障碍高风险组和认知正常组中的显著性差异指标，并将其作为有效风险预测指标；

步骤4、将步骤3中筛选出的有效风险预测指标采用多因素逻辑回归方法，分别建立基于基本资料的预警模型I、基于基本资料和血尿指标的预警模型II及基于基本资料、血尿指标、神经心理测验指标的预警模型III，绘制对应预警模型的受试者工作特性曲线，并根据受试者工作特征曲线选择最佳的预警模型阈值参数，分别计算对应预警模型的预测效果；

步骤5、构建内嵌移动终端或计算机的多维认知障碍高风险筛查系统，包括数据录入子系统和数据分析与管理子系统，在数据分析与管理子系统中建立用于计算风险分数的预警模型和对应阈值参数；

步骤6、根据受试者在数据录入子系统输入的数据信息，数据分析与管理子系统自动分析并采用对应的预警模型计算得出风险分数，输出风险等级和健康建议。

所述步骤1中认知障碍筛查的入组标准：(1)社区居住；(2)年龄60-80 岁；(3)无严重脑外伤史；(4)日常生活能力正常；(5)无神经精神疾病。

所述步骤2中所采集到的受试者人员资料包括：

基本资料：人口学变量、生活习惯、身体健康情况、锻炼活动、休闲活动、体检结果、认知主诉量表；

血尿指标：尿核糖和认知障碍风险基因APOEε4；

神经心理测验：简易智力状态检查量表(Mini-mental State Examination，MMSE)、联想学习测验、数字记忆广度倒背测验、言语流畅性测验和数字符号转换测验。

所述步骤3中所述的认知障碍高风险的判断标准是：根据MMSE得分并结合教育水平，将受试者划分为认知障碍高风险组和认知正常组，认知障碍划界分为，文盲组MMSE分数19分，小学教育水平的MMSE分数22 分，初中及以上教育水平的MMSE分数26分，当对应教育水平的MMSE 分数低于或等于所设定的划界分数时被划为认知障碍高风险组，当对应教育水平的MMSE分数高于所设定的划界分数时，则被划为认知正常组。

所述步骤4在统计构建预警模型表示数据时，连续变量以均数±标准差 (SD)表示，分类变量以频率(％)表示，组间比较采用卡方检验或独立样本T 检验。

所述步骤4中在统计构建预警模型I、预警模型II和预警模型III时，分别得出各预警模型所对应的回归方程系数β，将β值赋值取整，计算各预警模型对应的风险分数总分范围，并根据受试者工作特征曲线(ROC曲线)选取模型总分的最佳临界值作为认知障碍高风险划分阈值，获得曲线下面积AUC及其95％置信区间，确定临界值及预警模型对应的敏感性值和特异性值。

所述步骤6对受试者风险分数分析计算的方法包括以下步骤：

步骤6.1，根据逻辑回归模型分析结果，分别为三个预警模型的风险预测指标设定分类并赋值；

步骤6.2，分别计算三个预警模型中的风险预测指标分值总和，具体公式为：模型I/II/III总分＝A+B+C+D……+N，其中，A、B、C、D、N为风险预测指标分值；

步骤6.3，分别设定三个模型的阈值区间和对应的评估分析结果，根据计算的模型分值总分与所设定的阈值区间比较，确定模型分值总分位于阈值区间的信息；

步骤6.4，根据所落入的阈值区间信息输出对应的风险等级和风险建议。

另一方面，本发明还提供了一种筛查认知障碍高风险的多维建模与预警评估系统，所述系统内嵌于移动终端或计算机中，其包括数据录入子系统、数据分析和管理子系统；

所述数据录入子系统包括：

创建账号模块，用于个人/团体使用者创建和管理个人/团体评估账号，录入个人/团体成员基本信息；

信息编辑模块，包括预警模型I、预警模型II和预警模型III，根据所采集的受试者指标信息数量自主选择合适的预警模型，并录入指标信息；

查看结果模块，用于受试者查看风险分数、风险等级和健康建议；

数据分析和管理子系统包括：

信息分析模块，包括风险分数计算模型，用于个人风险指标信息分析和风险分数的计算；

信息管理模块，用于查看和导出个人/团体的风险分数、风险等级和健康建议，及管理账号信息。

本发明技术方案具有如下优点：

A.本发明选取了较易获取的预测指标，并按照指标实际获取难易程度建立了预警模型I、预警模型II和预警模型III三种，根据三种预警模型所针对的不同采集信息指标，分别采用多因素逻辑回归方法建立三种由简单到复杂的预警模型和系统，结合受试者自身情况(包括检查的便利性、经济性等考虑)，方便受试者自主选择预警模型进行评估预测，适用范围广，经济便捷、更灵活，适合更广泛的筛查情境；

B.本发明在建立预警模型时通过大量采集受试者人员数据进行分析处理，发现预警模型I的临界值为51时，AUC为0.632(95％CI:0.6-0.663)，敏感性和特异性分别为0.423和0.788；预警模型II的临界值为53时，AUC 为0.65(95％CI:0.619-0.68)，模型的敏感性和特异性分别为0.647和 0.585；预警模型III的临界值为62时，AUC为0.756(95％CI:0.729-0.784)，模型的敏感性和特异性分别为0.722和0.682。综上，所建立的预警模型背靠2000余人的大样本，显示了良好的预测效果。通过大量采集数据，且采集各年龄层的人口比例与全国人口中各年龄层所占比例相当，使得我们模型中覆盖到了老年人群体中的几乎全部特点的人群，使得模型的包容度增加，因此推广性更好，能够在更加广泛的地区和多样化的老人群体中进行预测和筛查，解决了目前筛查认知障碍高风险的指标获取难度太高，无法大范围推广，以及预测精度低的问题。

C.本发明所提供的方法聚焦认知障碍的高风险人群，能够最大程度获取各项关键有用信息，并在日常生活方式上给出预防认知障碍的针对性建议，预测效果良好；所采用的评估系统可在手机或电脑安装，受众广泛，操作简单。

附图说明

为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的筛查认知障碍高风险的多维预警模型构建方法图。

图2为本发明在三个模型筛查效果的受试者工作特征曲线(ROC曲线)。

图3为本发明所提供的评估系统结构组成框图。

图4为本发明所提供的采用评估系统进行评价的流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种筛查认知障碍高风险的多维预警模型构建方法，具体方法如下：

【S1】制定入组标准并在社区对受试者进行信息采集；其中，入组标准包括：(1)社区居住；(2)年龄60-80岁；(3)无严重脑外伤史；(4)日常生活能力正常；(5)无神经精神疾病(如老年痴呆、老年抑郁、帕金森综合症等)。

【S2】采集基本资料、血尿指标、神经心理测验并记录存储。

具体采集资料包括：

(1)基本资料，包括人口学变量和生活习惯(年龄、性别、受教育水平)、生活习惯(吸烟、喝酒、饮茶)、身体健康情况(受试者自我报告的高血压、糖尿病和高血脂、心脏疾病、脑梗塞史以及痴呆家族史)、锻炼活动、休闲活动(包括：玩麻将、玩纸牌扑克、听戏、看报纸看书、下象棋、遛鸟遛狗、宗教聚会或访问寺庙、使用微信、使用电脑、看电视、其他活动)、体检结果(空腹血糖、总胆固醇、高密度脂蛋白、低密度脂蛋白、甘油三酯)、认知主诉量表；

(2)血尿生化指标包括尿核糖和认知障碍风险基因APOEε4；

(3)神经心理测验包括：简易智力状态检查量表(Mini-mental StateExamination，MMSE)、临床记忆量表中的联想学习测验、数字记忆广度倒背、言语流畅性、数字符号转换测验。

当然所采集资料不仅限于上述所提供的参数，可以缩减或增加其它参数进行统计分析。

【S3】将被采集资料的人员分为认知障碍高风险组和认知正常组。具体分类方法为：根据MMSE得分，结合教育水平，将受试者划分为认知障碍组和认知正常组。认知障碍划界分为，文盲≤19分，小学组≤22分，初中及以上组≤26分，相应采集受试者人员的教育水平小于等于所设定的MMSE得分时，被划分为认知正常组，否者，则被划分为认知正常组。初步筛选出采集资料中不同水平在认知障碍高风险组和认知正常组中的显著性差异指标，并将其作为有效风险预测指标。

【S4】将【S3】中筛选出的有效风险预测指标采用多因素逻辑回归方法，分别建立基于基本资料的预警模型I、基于基本资料和血尿指标的预警模型 II及基于基本资料、血尿指标、神经心理测验指标的预警模型III，绘制对应预警模型的受试者工作特性曲线，并根据受试者工作特征曲线选择最佳的预警模型阈值参数，分别计算对应预警模型的预测效果。

在统计构建预警模型时，在表示数据时，连续变量以均数±标准差(SD) 表示，分类变量以频率(％)表示，组间比较时卡方检验或独立样本T检验。

在统计构建预警模型时，优选使用IBM SPSS 24软件。

【S5】构建内嵌移动终端或计算机的多维认知障碍高风险筛查系统，包括数据录入子系统和数据分析与管理子系统，在数据分析与管理子系统中建立风险分数计算模型。

数据录入子系统：A:创建账号模块(用于个人/团体使用者创建和管理个人/团体评估账号，录入基本信息如：用户名、性别、年龄等；团体账号可进行团体成员的添加创建)B：信息编辑模块(用于受试者具体风险指标的评估，包括受试者开始、查看、编辑、完成等操作)C：查看结果模块(用于受试者查看风险分数、风险等级和健康建议)。(2)数据分析和管理子系统：A:任务分析模块(包括风险分数的计算和分类，以及给出健康生活建议)B：任务管理模块(包含账号信息列表、个人风险指标信息分析、风险提醒)。

【S6】根据受试者在数据录入子系统输入的数据信息，数据分析与管理子系统自动分析并计算得出风险分数，输出风险等级和具体健康建议。

受试者根据自身情况可以自主选择合适的预警模型，并录入指标信息。

对受试者个人风险指标信息分析计算的方法包括以下步骤：

【S6.1】根据逻辑回归模型分析结果，分别为三个预警模型的风险预测指标设定分类并赋值；

【S6.2】分别计算三个预警模型中指标信息的多因素分值总和，具体公式为：模型I/II/III总分＝A+B+C+D……+N，其中，A、B、C、D、N为风险预测指标分值；

【S6.3】分别设定三个模型的阈值区间和对应的评估分析结果，根据计算的模型分值总分与所设定的阈值区间比较，确定模型分值总分位于阈值区间的信息；

【S6.4】根据所落入的阈值区间信息输出对应的风险等级和风险建议。

本发明所给出的风险等级分为高风险和低风险，针对这两种风险等级所给出的风险建议如下：

A.风险等级“高风险”——您患认知障碍的风险较高

建议具有高风险的人群：

(1)保持良好动脑习惯，勤于思考，终身学习。

(2)在日常生活中，可利用手机等电子设备适度进行休闲益智类小游戏，如“连连看”、“消消乐”、“找不同”等，放松心情的同时也能够锻炼大脑。

(3)多参与认知训练或其他形式的益智活动，如读书看报、下棋、学外语、写日记、上老年大学、学习各类新知识等。

(4)学习使用记忆策略，例如：将想要记住的信息视觉化、利用谐音、图像等信息进行辅助记忆；当想要记住的信息过多、感觉大脑负担较重时，我们也可以将这些信息拆分成小部分，逐个记忆以提高整体效率。

(5)坚持锻炼身体、保持良好心情也有益于保持记忆力、维护脑健康。

B.风险等级“低风险”——您患有认知障碍的风险较低

建议具有低风险的人群，日常生活中继续保持良好的生活习惯，多读书看报，积极参加社交活动，坚持锻炼。

通过以上所述方法，通过大量采集数据，且采集各年龄层的人口比例与全国人口中各年龄层所占比例相当，使得模型中覆盖到了老年人群体中的几乎全部特点的人群，如图2所示，发现预警模型I的临界值为51时，AUC 为0.632(95％CI:0.6-0.663)，敏感性和特异性分别为0.423和0.788；预警模型II的临界值为53时，AUC为0.65(95％CI:0.619-0.68)，模型的敏感性和特异性分别为0.647和0.585；预警模型III的临界值为62时， AUC为0.756(95％CI:0.729-0.784)，模型的敏感性和特异性分别为0.722 和0.682。本发明方法能够最大程度获取各项关键有用信息，模型具有很好的包容度，能够在更加广泛的地区和多样化的老人群体中进行预测和筛查预测效果良好。

通过以上所述构建预测系统，使用者认为系统操作友好，及时给予结果反馈，并有相关针对性建议，实施方便快捷，整体感受优秀。

具体的建模和预警方法示例如下：

(1)受试者入组

第一步，筛选认知障碍风险预测指标。纳入全部2133名受试者，男性 693名(32.5％)，女性1440名(67.5％)，平均受教育年数为10.12(3.47)。其中认知障碍组受试者464名，检出率为21.75％。认知障碍组受试者的年龄更高，受教育水平更低。

第二步，计算预警模型。50-58岁共8名受试者，样本过少，代表性小，为提高模型预测精度，将此年龄段样本删除，纳入剩余的2125名受试者。在预警模型I基础上，将同时具有尿核糖和基因数据的受试者纳入预警模型II和预警模型III，共1753名。三个模型的年龄范围为59-86岁。

(2)统计分析方法

首先，为了初步筛选多维预警的有效风险预测指标，使用卡方检验或独立样本T检验，分别考察基本人口学变量(年龄、性别、受教育水平)、受试者的生活习惯(包括吸烟、喝酒、饮茶)、身体健康状况、锻炼活动、休闲活动、体检结果、认知主诉、尿核糖、APOEε4、客观认知测验的不同水平在认知正常组和认知障碍组的差异。

考虑到社区筛查的便利性和高效性要求，以及最终模型分数的简洁有效，除年龄变量以外，将其他进入模型的变量分组。

其中，受教育程度按照教育年数0-9年和>9年分为受教育水平低、高两组。

吸烟分为吸烟组和不吸烟组(包括从不吸烟和已戒烟)。

喝酒和饮茶按照是否>3次/周，分为高频率和低频率两组。

根据世界卫生组织的建议，每周至少应进行150分钟中等强度有氧运动，因此将每周运动时长>＝150min的受试者定义为积极运动组。

受试者的身体健康状况包括受试者自我报告的高血压、糖尿病和高血脂、心脏疾病、脑梗塞史以及痴呆家族史。将自我报告患有疾病的受试者定义为一组，自我报告无此疾病和不详的定义为一组。

休闲活动包括：玩麻将、玩纸牌扑克、听戏、看报纸看书、下象棋、遛鸟遛狗、宗教聚会或访问寺庙、使用微信、使用电脑、看电视、其他活动。将以上休闲活动分为两组：使用微信、电脑组和其他休闲活动组。分别计算受试者在两组上的活动频率。用受试者工作特征曲线(receiver operating characteristic curve，ROC曲线)确认活动频率在认知障碍的最佳临界值，将休闲活动分为活动积极组和活动消极组。

体检结果中，根据空腹血糖水平将受试者分为两组，>＝7.0mmol/L为血糖值高组，<7.0mmol/L为血糖正常组；根据总胆固醇水平将受试者分为两组，>5.17mmol/L为总胆固醇高组，≤5.17mmol/L为总胆固醇正常组；根据高密度脂蛋白水平将受试者分为两组，≥1.03mmol/L为高密度脂蛋白正常组，<1.03mmol/L为高密度脂蛋白低组；根据低密度脂蛋白水平将受试者分为两组，≤2.59mmol/L为低密度脂蛋白正常组，>2.59mmol/L为低密度脂蛋白高组；根据甘油三酯水平将受试者分为两组，>1.70mmol/L 为甘油三酯高组，≤1.70mmol/L为甘油三脂正常组。

根据认知主诉量表(AD8)的划界分，将AD8总分>＝2的受试者定义为认知高风险组。在客观认知测验中，同样求出各测验总分在认知障碍的最佳临界值，按照临界值将受试者分为认知障碍高风险组和认知正常组。

其中，MoCA在认知障碍的最佳临界值为13，词语联想测验的最佳临界值为5，数字广度倒背测验的最佳临界值为4，言语流畅性测验的最佳临界值是34，数字符号转换测验的最佳临界值是27。小于临界值为认知能力低组，反之则为认知能力高组。为了考察尿核糖对认知的影响，根据尿核糖水平的高低，将尿核糖水平最低的25％分为低水平组，另外75％为中等及较高水平组。此外，将APOEε4纳入模型，根据受试者是否携带APOEε4等位基因，将受试者分为APOEε4携带组和不携带组。

将在认知正常组和认知障碍组有显著差异的变量依次和性别、年龄、受教育水平同时纳入逻辑回归模型，考察控制人口学变量的影响后，变量是否仍然显著。根据分层假设，将仍然显著的变量同时分层纳入逻辑回归方程模型，得出回归方程系数(β)，根据β大小进行赋值，计算每一层模型的风险分数。其中，预警模型I和预警模型II根据数值最小的显著性β系数0.024和0.029，确定当最小乘数为45时，取整后为1的原则，将两模型的所有β系数同时乘以45，求得风险分数。为了保持一致，预警模型III同样乘以45，取整后得到风险分数。根据约登指数(Youden index) 得出最大临界值，计算敏感性、特异性及曲线下面积(area under curve， AUC)。

(3)分层多维预警模型的建立

①预警模型I的建立

比较生活方式(生活习惯、体育锻炼、休闲活动)、身体健康状况、体检结果和认知主诉量表(AD8)各分条目和总得分在认知障碍高风险组和认知正常组人群中的差异，结果显示，生活方式方面：使用微信或电脑；身体健康状况方面：高血脂；认知主诉量表得分上：AD7，即量表第7个条目 (记住约定的时间有困难)、AD8量表总分在两组之间显著不同(见表1)。经常使用微信或电脑组，和不经常使用微信或电脑组相比，认知能力更好(p<0.001)。患有高血脂的受试者，在认知正常组所占比例比认知障碍组更高。在AD7上自我报告有障碍的受试者中，认知障碍人群所占的比例为 23.7％，认知正常人群所占的比例为14.9％，两者有显著差异。认知主诉得分(AD8总分)>＝2组，患有认知障碍的比例(52.8％)显著高于认知正常组(45.7％)。

表1两组受试者人口学变量、生活方式、身体状况和认知主诉上的差异M(SD)

注：以上数据处理方法为独立样本T检验或卡方检验。

将使用微信或电脑、AD8的第7个条目(AD7)、AD8总分三个变量分别和人口学变量纳入回归方程，发现“使用微信或电脑”和AD8的第7个条目(AD7)可以显著预测认知障碍。将可以显著预测认知障碍的指标一起放入逻辑回归方程中，并根据β系数得出预警模型I的风险分数(见表2)。风险分数总分范围为0-102。根据受试者工作特征曲线，AUC为0.632(95％CI: 0.6-0.663)(见图2曲线)。当临界值为51时，所得风险总分大于等于临界值(落入51-102阈值区间)时，即为认知障碍高风险，所得风险总分小于临界值(落入0-50阈值区间)时，则为认知障碍低风险。模型的敏感性和特异性分别为0.423和0.788(见表7)，预警模型I可筛查出198名认知障碍受试者，占总认知障碍人群的42.8％。

表2认知障碍分层预警模型I(N＝2125)

注：年龄变量的范围为59-86，年龄每增加1岁，风险分数增加1分。年龄为59岁的受试者，年龄风险分数为0。

②预警模型II的建立

在预警模型II中，卡方检验表明，在尿核糖含量中等或较高的受试者中，患有认知障碍的比例(81.0％)显著高于认知正常组的比例(74.3％)。在基因指标上，APOEε4携带者的比例在认知水平不同的两组上有显著差异。具体表现为，APOEε4携带者在认知障碍组的比例为17％，在认知正常组的比例为10.8％(见表3)。分别将尿核糖、APOEε4和人口学变量一起纳入逻辑回归方程。控制了人口学变量后，两个指标仍然显著。因此，最终将预警模型I的指标和尿核糖、APOEε4一起纳入逻辑回归方程，并根据β系数得出预警模型II的风险分数(见表4)。风险分数总分范围为0-148。根据受试者工作特征曲线，AUC为0.65(95％CI:0.619-0.68)(见图2曲线)。当临界值为53时，所得风险总分大于等于临界值(落入53-148阈值区间)时，即为认知障碍高风险，所得风险总分小于临界值(落入0-52阈值区间)时，则为认知障碍低风险。模型的敏感性和特异性分别为0.647 和0.585(见表7)，预警模型II可筛查出251名认知障碍受试者，占总认知障碍人群的64.7％。

表3两组受试者在尿核糖和风险基因上的差异

表4认知障碍分层预警模型II(N＝1753)

注：年龄变量的范围为59-86，年龄每增加1岁，风险分数增加1分。年龄为59岁的受试者，年龄风险分数为0。

③预警模型III

在预警模型III中，加入客观认知指标。结果发现MoCA修订版、词语联想学习测验、数字广度倒背、言语流畅性、数字符号转换得分高低组在认知能力上都有显著差异(见表5)。具体表现为，认知障碍组客观认知测验的得分显著低于认知正常组(p<0.001)。将五个变量分别和人口学变量纳入逻辑回归方程，发现变量都可以显著预测认知风险(P<0.05)。将客观认知测验指标和预警模型I、预警模型II的指标一起放入逻辑回归方程，并根据β系数得出预警模型III的风险分数(见表6)。风险分数总分范围为0-186，根据受试者工作特征曲线，AUC为0.756(95％CI:0.729-0.784) (见图2曲线)。当临界值为62时，所得风险分数大于等于临界值(落入 62-186阈值区间)时，即为认知障碍高风险，所得风险分数小于临界值(落入0-61阈值区间)时，则为认知障碍低风险。模型的敏感性和特异性分别为0.722和0.682，预警模型III可筛查出280名认知障碍受试者，占总认知障碍人群的72.2％(见表7)。

表5两组受试者在客观认知测验上的差异M(SD)

表6认知障碍分层预警模型III(N＝1753)

表7三个模型筛查效果比较

另外，如图3所示，本发明还提供了一种筛查认知障碍高风险的多维建模与预警评估系统，系统内嵌于移动终端或计算机中，其包括数据录入子系统、数据分析和管理子系统；

数据录入子系统包括：

创建账号模块，用于个人/团体使用者创建和管理个人/团体评估账号，录入个人/团体成员基本信息；

信息编辑模块，包括预警模型I、预警模型II和预警模型III，受试者根据自身情况自主选择合适的预警模型，并录入指标信息；

查看结果模块，用于受试者查看风险分数、风险等级和健康建议；

数据分析和管理子系统包括：

信息分析模块，用于个人风险指标信息分析、风险分数的计算和分类风险提醒；

信息管理模块，用于查看和导出个人/团体的风险分数、风险等级和健康建议，及管理账号信息。

如图4所示，利用此系统时，首先记录和存储被试者输入的基本信息；根据指标分类标准将被试者输入的指标信息分为相应类别；根据内嵌指标计分公式，系统得出模型总分；设定模型阈值区间和模型总分比较，得出风险等级，输出风险等级和风险建议。

本发明选取了较易获取的预测指标，并按照指标获取难易程度建立预警模型I、预警模型II和预警模型III，根据三种不同的采集指标，分别采用多因素逻辑回归方法建立三种由简单到复杂的预警模型和系统，适用范围广，经济便捷、更灵活，适合更广泛的筛查情境。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (8)

1.一种筛查认知障碍高风险的多维预警模型构建方法，其特征在于，包括以下步骤：

步骤1、制定入组标准并在社区对受试者进行信息采集；

步骤2、采集基本资料和血尿指标，并进行神经心理测验，记录并存储数据；

步骤3、将被采集资料的人员分为认知障碍高风险组和认知正常组，初步筛选出在认知障碍高风险组和认知正常组有显著性差异的数据指标，并将其作为有效风险预测指标；

步骤4、将步骤3中筛选出的有效风险预测指标采用多因素逻辑回归方法，分别建立基于基本资料的预警模型I、基于基本资料和血尿指标的预警模型II及基于基本资料、血尿指标、神经心理测验指标的预警模型III，绘制对应预警模型的受试者工作特性曲线，并根据受试者工作特征曲线选择最佳的预警模型阈值参数，分别计算对应预警模型的预测效果；

步骤5、构建内嵌移动终端或计算机的多维认知障碍高风险筛查系统，包括数据录入子系统和数据分析与管理子系统，在数据分析与管理子系统中建立风险分数计算模型；

步骤6、根据受试者在数据录入子系统输入的数据信息，数据分析与管理子系统自动分析并计算得出风险分数，输出风险等级和健康建议。

2.根据权利要求1所述的筛查认知障碍高风险的多维预警模型构建方法，其特征在于，步骤1中认知障碍筛查的入组标准：(1)社区居住；(2)年龄60-80岁；(3)无严重脑外伤史；(4)日常生活能力正常；(5)无神经精神疾病。

3.根据权利要求1所述的筛查认知障碍高风险的多维预警模型构建方法，其特征在于，步骤2中所采集到的受试者人员资料包括：

基本资料：人口学变量、生活习惯、身体健康情况、锻炼活动、休闲活动、体检结果、认知主诉量表；

血尿指标：尿核糖和认知障碍风险基因APOEε4；

神经心理测验：简易智力状态检查量表(Mini-mental State Examination，MMSE)、联想学习测验、数字记忆广度倒背测验、言语流畅性测验和数字符号转换测验。

4.根据权利要求3所述的筛查认知障碍高风险的多维预警模型构建方法，其特征在于，步骤3中所述的认知障碍高风险的判断标准是：根据MMSE得分并结合教育水平，将受试者划分为认知障碍高风险组和认知正常组，认知障碍划界分为：文盲组MMSE分数19分，小学教育水平的MMSE分数22分，初中及以上教育水平的MMSE分数26分，当对应教育水平的MMSE分数低于或等于所设定的划界分数时被划为认知障碍高风险组，当对应教育水平的MMSE分数高于所设定的划界分数时，则被划为认知正常组。

5.根据权利要求1所述的筛查认知障碍高风险的多维预警模型构建方法，其特征在于，所述步骤4在统计构建预警模型表示数据时，连续变量以均数±标准差(SD)表示，分类变量以频率(％)表示，组间比较采用卡方检验或独立样本T检验。

6.根据权利要求1所述的筛查认知障碍高风险的多维预警模型构建方法，其特征在于，所述步骤4中，在统计构建预警模型I、预警模型II和预警模型III时，分别得出各预警模型所对应的回归方程系数β，将β值赋值取整，计算各预警模型对应的风险分数总分范围，并根据受试者工作特征曲线(ROC曲线)选取模型总分的最佳临界值作为认知障碍高风险划分阈值，获得曲线下面积AUC及其95％置信区间，确定临界值及预警模型对应的敏感性值和特异性值。

7.根据权利要求1所述的筛查认知障碍高风险的多维预警模型构建方法，其特征在于，所述步骤6对受试者风险分数分析计算的方法包括以下步骤：

步骤6.1，根据逻辑回归模型分析结果，分别为三个预警模型的风险预测指标设定分类并赋值；

步骤6.2，分别计算三个预警模型中的风险预测指标分值总和，具体公式为：模型I/II/III总分＝A+B+C+D……+N，其中，A、B、C、D、N为风险预测指标分值；

步骤6.3，分别设定三个预测模型的阈值区间和对应的评估分析结果，根据计算的模型分值总分与所设定的阈值区间比较，确定所得模型分值总分位于阈值区间的信息；

步骤6.4，根据所落入的阈值区间信息输出对应的风险等级和风险建议。

8.一种筛查认知障碍高风险的多维建模与预警评估系统，其特征在于，所述系统内嵌于移动终端或计算机中，其包括数据录入子系统、数据分析和管理子系统；

所述数据录入子系统包括：

创建账号模块，用于个人/团体使用者创建和管理个人/团体评估账号，录入个人/团体成员基本信息；

信息编辑模块，包括预警模型I、预警模型II和预警模型III，受试者根据自身情况自主选择合适的预警模型，并录入指标信息；

查看结果模块，用于受试者查看风险分数、风险等级和健康建议；

数据分析和管理子系统包括：

信息分析模块，包括风险分数计算模型，用于个人风险指标信息分析和风险分数的计算；

信息管理模块，用于查看和导出个人/团体的风险分数、风险等级和健康建议，及管理账号信息。

Images