在帕金森病中，预测个体认知发展轨迹的关键因素是测量的准确性（即数据的可靠性），而非模型的复杂性

《npj Digital Medicine》：Measurement fidelity, not model complexity, governs individual cognitive trajectory prediction in Parkinson's disease

　　

摘要

帕金森病中个体层面的认知轨迹是否可预测仍是一个未解决的问题。在本研究中，我们提供了证据表明，预测能力的上限取决于测量的准确性，而非模型的复杂性。我们在两个独立的研究队列（帕金森病进展标志物计划（PPMI，n=1018）和国家阿尔茨海默病协调中心（NACC，n=523））中，评估了10种不同的机器学习方法在26种配置下的表现。运动亚型分类作为阳性对照取得了较好的效果（AUROC=0.869），而基于蒙特利尔认知评估（MoCA）的认知轨迹预测在所有方法中都缺乏参考价值（AUROC=0.581），即使这些方法考虑了42个遗传因素。合成实验表明，模型在信噪比较高的情况下能够准确预测认知轨迹，但在临床筛查数据中却无法有效工作。用详细的神经心理学测试替代粗略的筛查方法，显著提高了两个队列的预测准确性（PPMI：符号数字模式测试的AUROC为0.725，而MoCA为0.596；NACC：逻辑记忆测试的AUROC为0.684，而MMSE为0.648）。患者内部各认知领域的轨迹相关性（R2）仅为0.20，这表明约80%的分数变化源于非信号因素。这些发现将临床人工智能的发展方向从算法开发转向测量技术的创新：在实现个体层面预测之前，需要开发更高频率、更高准确性的认知评估工具。