剑桥的科学家创造了一种智能工具，可以在五分之四的案例中预测出现早期痴呆症状的个体是否会进展为阿尔茨海默病。
这种方法有可能减少对侵入性和昂贵诊断程序的需求，通过及时的干预，如生活方式改变或适当的药物，提升治疗效果。
痴呆症是一个重大的全球健康挑战，全球受影响的人超过5500万，每年的成本大约为8200亿美元。预计在未来50年内，病例数量将几乎增加三倍。
阿尔茨海默病是痴呆症的主要原因，占60-80%的病例。早期检测对有效治疗至关重要，但当前依赖于侵入性或昂贵的测试（如PET扫描或腰椎穿刺）的诊断工具，在记忆诊所可能并不总是可用。这导致多达三分之一的患者可能被错误诊断，并延误有效治疗。
剑桥大学心理学系的一个团队开发了一种机器学习模型，能够预测轻度记忆和认知问题向阿尔茨海默病的进展。他们的研究发表在eClinical Medicine上，显示其准确性优于现有的临床诊断方法。
研究人员利用非侵入性和低成本的患者数据，包括认知测试和显示灰质萎缩的MRI扫描，建立了他们的预测模型，数据来自超过400名美国志愿者。
模型经过了来自另外600名参与者的真实世界患者数据和900名来自英国和新加坡记忆诊所的长期信息验证，算法准确地区分了那些认知障碍稳定的个体和那些在三年内进展到阿尔茨海默病的个体。
该模型在识别正在发展阿尔茨海默病的个体时显示出82%的准确性，而在预测未发展阿尔茨海默病的个体时则显示81%的准确性，这些仅基于认知测试和MRI扫描。
与标准临床标记相比，该算法在预测阿尔茨海默病进展方面的准确性是其三倍，强调了其减少错误诊断的潜力。
此外，该模型将初次记忆诊所访问时的阿尔茨海默病个体分为三组，基于他们预期的进展速度，有助于识别那些可能从早期治疗中受益的个体和需要密切监测的个体。
这些进展可以指导症状稳定的个体朝适当的护理路径前进，区分他们与焦虑或抑郁等疾病的个体。
研究人员旨在将他们的模型扩展到其他形式的痴呆症，并利用各种数据源，如血液测试标记，增强其适用性。
