一项发表在《自然衰老》期刊上的新研究揭示了拉丁美洲健康老化的风险因素存在显著差异。该研究还强调，目前主要基于高收入国家数据的脑健康模型存在局限性。研究由爱尔兰都柏林三一学院的研究人员及智利阿道夫•伊班尼兹大学和哥伦比亚哈维里亚大学及其他组织的合作伙伴共同进行。
开发定制化和个性化的健康老龄化和脑健康方法
拉丁美洲在促进健康脑老化方面面临特定障碍，如遗传多样性（影响遗传变异和疾病风险）、不良儿童经历、社会经济不平等和医疗服务获得的限制。
公共事业和健康差距。身心环境对脑健康的影响显著且与高收入国家观察到的情况不同。
这项研究包括对多项研究的全面元分析，最终涉及超过146,000名参与者。结果显示，人口统计、心理健康、健康状况和社会决定因素对认知和功能能力的影响显著但多样。
该研究揭示了风险因素如何影响拉丁美洲人群的认知和功能能力存在很大的变异性。这种变异性是一个重要发现。研究强调了采用从高收入国家数据开发的普遍适用模型的局限性。各国之间存在的广泛差异及数据的离群值，以及缺乏可靠的计算方法，都导致现有数据的准确性不足。
改善我们对健康老化和脑健康的理解
该研究的首席作者Agustin Ibanez，同时也是都柏林三一学院全球脑健康研究所的阿特兰大研究员和BrainLat UAI的主任，表示：
“这项研究支持了越来越多的关于脑健康全球模型的观点，这些模型主要基于高收入国家的数据，可能并不适用于所有人群。基于高收入国家数据的当前模型的有效性可能不具有普遍适用性。我们的研究表明，拉丁美洲人群在影响认知功能和日常能力的风险因素上存在显著差异。这强调了现有模型的不足。迫切需要开展全面和标准化的数据收集工作，以捕捉影响拉丁美洲健康老化的广泛因素。来自全球脑健康研究所的阿特兰大研究员Carlos Coronel同样是该研究的共同作者，他表示需要开发专门针对该地区独特的人口、遗传和社会经济特征的预测模型。理解脑功能与环境暴露在不同背景下的相互作用的重要性不容低估。为了弥补这一空白，有必要采用先进的计算方法，将脑功能理论与其与环境暴露的相互作用结合起来。
该研究建议采用稳健的方法学策略，并推广数据驱动和机器学习技术，以应对健康的社会决定因素和其他社会经济差距。共同作者、BrainLat的博士后研究员Joaquin Migeot评论了处理这些社会因素的重要性：
“考虑生活中各种暴露的综合影响需要处理大量变量的高维性。
为了有效应对这种复杂性并得出有意义的结论，利用机器学习技术至关重要。这将有助于更全面和准确地理解各种暴露对脑健康的影响。这些努力将用以指导定制化的政策和医疗干预，最终提升拉丁美洲的脑健康和衰老结果。”
共同作者、哥伦比亚洛杉矶大学教授、都柏林三一学院全球脑健康研究所的阿特兰大研究员Sandra Baez表示：
“这项研究在我们理解影响拉丁美洲脑健康的不同因素上代表了重要的进步。研究考察了社会和环境因素如何影响拉丁美洲的老化和脑健康。结果建议对于创建适应各种且常被忽视的人口的脑健康模型，应采取更详细和特定于地区的策略。”
