アルツハイマー早期発見のためのデジタルテスト

デジタル認知テストが、アルツハイマー病（AD）を発症するリスクがある患者を確認するためにますます使われてるんだ。このテストは、病気の初期の兆候が見られる人を見つけたり、臨床試験に参加させたり、リモートでフォローアップ評価を行うのに役立つ。いくつかのテストは、通常の臨床評価では見逃されがちな小さな認知能力の変化を見つけることができる。この能力は、症状があまり明確でないアルツハイマーの初期段階で問題を特定するのに重要だよ。

一般的なテストの一つは視覚短期記憶（STM）に焦点を当てていて、これがデジタル使用に適応されたものが多い。主に使われるタスクは2種類。1つ目は変化検出タスクで、参加者は異なる数のアイテムを表示した画面で何かが変わったかどうかを判断する。答えは正しいか間違っているかで出す。2つ目は遅延再生タスクで、参加者は覚えているアイテムの特定の特徴、どこにあったかや色は何だったかを思い出さなきゃいけない。これにより、研究者は人がどれだけのアイテムを覚えてるかだけでなく、それらの詳細をどれだけ正確に思い出せるかも測定できる。

視覚短期記憶がどう機能するかを分析するために、研究者は混合モデリングというモデルを使ってる。このモデルは、参加者がターゲットアイテムを正しく特定する可能性、アイテムを間違った場所に置くかどうか（これをミスバインディングと呼ぶ）、アイテムの特徴についてのランダムな推測、記憶の正確性という4つの重要な側面を見る。過去の研究では、家族性アルツハイマーに対する遺伝的リスクがある人々、特にプリセンイリン-1変異を持つ人々は、アイテムを間違って置くことが多く、このミスバインディングは記憶に重要な脳の部位である海馬の変化と相関していることが示されている。

最近の研究では、散発的な late-onset アルツハイマー病の患者も高いミスバインディング率を示すことがわかってきた。でも、これが海馬の状態と関係しているかはまだ不明なんだ。ミスバインディングは、自己免疫性辺縁脳炎やてんかんのための脳手術、感染症など、海馬に影響を与えるさまざまな状態で起こるようだ。でも、これらのほとんどは稀で、遅発性アルツハイマーのような一般的な神経変性疾患のデータは限られている。

現在の研究のもう一つのギャップは、研究者が調べたデジタルアウトカムの範囲が限られていることだ。ほとんどの研究は、ミスバインディング率にだけ焦点を当てていて、デジタル遅延再生タスクから得られる多くの測定の一つに過ぎない。認知機能のいくつかは病気によって特に障害される可能性がある一方で、他の機能は影響を受けないかもしれないから、もっと広範囲のメトリクスを探ることが重要なんだ。例えば、特定の脳損傷を持つ患者はミスバインディングが増えても推測が増えないかもしれないし、パーキンソン病の患者は推測が増えてもミスバインディングが増えないかもしれない。

アルツハイマー発症リスクのある患者のデジタルメトリクスの変化を時間的に追跡する縦断的データも不足している。今のところ、家族性アルツハイマーを持つ少数の人々を長期にわたって追跡した研究が一つだけあって、症状のあるキャリアではデジタルタスクのパフォーマンスが低下し、前駆的な人々ではアイテムの位置を特定するエラーが増加することがわかった。

これが、新しい研究につながる。これは、主観的認知障害（SCI）、軽度の認知障害（MCI）、診断済みのアルツハイマー型認知症を含むアルツハイマーのスペクトル全体にわたるより大きなグループを対象にしている。目的は、正式なアルツハイマーの診断が下される前にデジタルメトリクスの欠陥を特定できるか、これらのメトリクスがさまざまな臨床グループと健康な高齢者を区別できるかを調べることだった。彼らは横断的なテストを実施し、参加者の小さなサブセットに対してフォローアップ評価を行った。

合計325人が研究に参加した。49人がSCI、57人がMCI、63人がアルツハイマー型認知症と診断された患者、156人が健康な高齢者の対照群だ。研究者たちは、イギリスとドイツの記憶障害クリニックからこれらの患者をリクルートした。参加者は、明らかな構造的問題が臨床診断と相関しないことを除外するために、脳画像検査を含むさまざまな評価を受けた。

イギリスのコホートから60人のサブグループも、1年後にフォローアップ評価に参加した。このうち、21人は健康な高齢者、15人がSCI、12人がMCI、12人がアルツハイマー型認知症と診断された。サブグループの数が減ったのは、研究がCOVID-19の制限で中断されたからだけど、彼らはテストタスクの完全なオンライン版も開発していた。

参加者は「What was where?」オックスフォード記憶タスクというデジタルタスクを含む、他の認知テストも完了した。このタスクでは、参加者は画面上のアイテムを見て、後でそれらを識別するように求められた。研究者たちは、参加者がアイテムをどれだけ正確に識別したか、位置の誤り、そして反応にかかった時間など、さまざまなパフォーマンスメトリクスを測定した。

このタスクにより、研究者はさまざまな作業記憶の指標を集められた。例えば、参加者がアイテムを正しく特定した回数、回答の元の位置からの距離、反応の速さなどを見た。また、混合モデルアプローチを使って、さまざまな記憶エラーの分析も行った。

フォローアップ評価では、すべての被験者がオックスフォード記憶タスクと他の認知テストを繰り返した。研究者たちは、これらのデジタルメトリクスの変化が1年後の認知の低下を予測できるかどうかを調べた。

脳のスキャンを行い、被験者の脳の構造を分析された。研究者たちは、海馬のサイズが参加者の認知パフォーマンスとどのように関連しているかを測定した。彼らは高度な画像技術を使用してこれを行い、これらの結果を被験者の認知テストのパフォーマンスと比較した。

結果を分析するために、研究者は統計的手法を使用してグループ間の違いを特定し、デジタルメトリクスがAddenbrooke's Cognitive Examination（ACE）のような標準的な認知テストにどれだけ比較できるかを評価した。また、時間の経過に伴う認知パフォーマンスの変化が海馬の体積の変化と相関するかどうかを調べた。

研究者たちは、すべてのデジタルメトリクスがグループを区別するのに成功したことを発見した。健康な高齢者の対照群とアルツハイマー患者を区別でき、SCIとMCIの間でも区別できた。ただ、健康な高齢者とSCIの人々を区別することはできず、SCIの人々は不満を持っていても通常の範囲内でパフォーマンスしていることが強調された。

MCI患者では、デジタルメトリクスが健康な対照群と比較してパフォーマンスの顕著な違いを示した。MCIグループは、アイテムの特定において精度が低く、位置特定のエラー率が高かった。パフォーマンスメトリクスは、MCI患者とアルツハイマー型認知症患者の違いを明らかにし、ミスバインディングは認知症の人々で有意に高かった。

さまざまなグループ間で、記憶パフォーマンスは、記憶するアイテムの数が増えるとともに有意に低下した。この効果はすべてのメトリクスで顕著で、アイテムが多いほど参加者が詳細を正確に思い出すのが難しくなることが示されている。しかし、アイテムを思い出すまでの時間の遅延は、より小さな影響だった。

縦断的な分析では、メトリクスが時間とともに異なるトレンドを示した。一部のメトリクスは安定していたが、他のメトリクスは標準テストによって測定された認知パフォーマンスの低下と密接に関連していた。特に、記憶の不正確さは1年の間に認知の低下を予測するのに効果的で、基準のACEスコアや海馬の体積よりも優れていた。

脳の構造に関して、研究者たちはさまざまなデジタルメトリクスが海馬のサイズを予測できることを発見した。比較において、特定の精度が海馬の体積の最良の予測因子であり、標準テストと同等の強い相関を示した。

参加者を異なる診断グループに分類するために、研究者たちは線形サポートベクターマシンの分類器を適用し、モデルがグループ分類をどれだけ予測できるかを分析した。デジタルメトリクスを含むモデルは、合理的な成功率を示したが、標準的な認知テストを使用したモデルは全体的により良いパフォーマンスを示し、特にアルツハイマーの後期段階を区別するのに優れていた。

全体として、この研究は視覚作業記憶のデジタルテストが認知障害の初期兆候を効果的に特定できることを示している。これらのテストは病気の進行を追跡し、認知機能の低下についての貴重な洞察を提供する。デジタルメトリクスは、特に初期段階の問題であるSCIとMCIを区別するのに役立つ認知の低下のさまざまな段階を分類するのに有用だ。ただし、アルツハイマー型認知症が進行すると、ACEのような従来の認知テストがより正確な区別を提供するかもしれない。

結果は、デジタルテストがアルツハイマー病の早期発見のツールとしての可能性を示唆しており、時間の経過に伴う認知の変化を効率的にモニタリングすることを可能にするかもしれない。この研究は、こうしたテストがアルツハイマーに関連する認知障害の理解と管理にどのように貢献できるかについての重要な洞察を提供している。