决策树算法在老年人轻度认知障碍临床筛查中的应用*

孙振武， 王航平，2

(1.云南师范大学 国家级高原训练实验教学中心，云南 昆明 650500；2.云南师范大学 体育学院，云南 昆明 650500)

轻度认知障碍(MCI)是介于正常衰老和阿尔茨海默病(AD) 之间的过渡阶段[1].老年人群中MCI的患病率高达21.3%，早期发现和适当干预MCI可以减缓认知缺陷和损伤的恶化速度[2].

目前国内外尚无统一的MCI筛查和诊断标准[3];简单的认知评估工具及神经系统体格检查没有足够的准确性[4];综合性的神经系统检查相比之下虽然较为准确，但存在检查时间长的缺点;生物标记测量由于需要昂贵的仪器设备而不能在初级卫生保健中进行推广;因此初级卫生保健中急需一种简便、快速且可靠的MCI筛查方法[5].本研究通过一种决策树临床算法，结合简单的神经系统体格检查以及认知功能评估，对MCI老年患者与正常老年人进行区分.

1 研究对象与方法

1.1 研究对象

研究对象为来自云南省昆明市呈贡区雨花社区和吴家营社区的212名老年人，纳入标准：(1)60岁以上的常住人口，(2)有一定的读写能力；排除标准:(1)过去消费的药物影响大脑的功能和结构，(2)有脑血管疾病史、脑瘤和重型颅脑损伤史，(3)患有帕金森症和癫痫，存在严重的医学或精神疾病等.样本量的计算基于α=0.05,偏差6.5%,特异性为90%,敏感性95%.该研究获得了云南师范大学生物医学伦理委员会的批准和所有参与研究的老年人的同意.

1.2 研究方法

1.2.1 决策树算法

决策树算法是一种有监督的机器学习算法，要求有输入变量及目标变量，常用来解决分类问题，它根据训练数据集，通过一系列测试问题，从而完成对输出目标的分类[6].决策树算法由一个根节点、若干个内部节点以及若干个叶节点组成.决策树生长的重点在于“纯度”的度量.在ID3算法中，一般使用信息熵衡量集合的纯度.设样本集合D中含有m类样本，对应每类样本的比例分别为pk(k=1,2,…，m),则集合D的信息熵被定义为：

1.2.2 神经系统检查和认知功能评估

诊断、测试和评估均由社区专业医护人员完成.MCI的诊断依据“国际轻度认知功能障碍工作组”2003年制定的“MCI核心临床标准”[7]，使用简易精神状态检查表(MMSE)对受试者的神经反射(掌侧反射、吻部反射、吸吮反射、眉间反射、抓握反射和巴宾斯基反射)、单腿平衡(OBL)和嗅觉等神经系统功能进行检查.使用画钟表测验、语言语义流畅测验(VFT)、精神交替测验、字母“WAHYU”顺序测试和主观记忆障碍(SMC) 测试评估受试者的认知功能.

1.3 数据处理

利用SPSS 22.0软件进行数理统计，人口学和临床因素统计学比较采用卡方检验，所有显著性变量(p< 0.25)均纳入多变量logistic回归分析，以确定研究变量与结果之间的相关性.双侧p<0.05为差异有统计学意义.采用IBM SPSS modeler创建决策树模型.每个预测变量在决策树临床算法中的位置基于每个预测变量的信息增益来确定.为分析决策树临床算法的有效性，进行了敏感性、特异性和似然率等准确性检验.为了分析决策树临床算法的适用性，进行了时效性分析.

2 结 果

2.1 基线特征与临床检查

研究对象为212名年龄为60～79岁的老年人,其中男性60人,女性152人;共发现MCI 76例(35.8%)，其中62例为遗忘型MCI，14例为非遗忘型MCI.基线特征和临床检查见表1和表2.

多元logistic回归分析显示(表3)，主观记忆障碍(SMC)(p≤0.001；OR 11.647[95% CI 2.943～46.095])、缺乏体育锻炼(PE)(p=0.036；OR 3.640 [95% CI 1.089～12.166] )、语言语义流畅测验(VFT)异常(p≤0.001；OR 85.523[95% CI 16.206～451.317])、单腿平衡(OLB)能力不正常 (p=0.013；OR 5.222 [95% CI 1.408～19.375])是MCI诊断的预测因子.

2.2 决策树模型分析

决策树结果如图1所示，所创建的决策树共分为4层，包含17个叶节点.第一个分裂参数为语言语义流畅测验VFT(正常或异常)，其次为体育锻炼PE(阳性或阴性)、主观记忆障碍SMC(阳性或阴性)和单腿平衡OLB(正常或异常).预测诊断MCI以概率值表示.

MCI临床筛选决策树算法如图2所示.首先，运算VFT；如检查结果异常，则需要检查病史，如无规律体育锻炼经历，则怀疑为MCI；如果有规律体育锻炼，则检查SMC；如果存在SMC，则怀疑为MCI；如果没有SMC，可能就不是MCI.在VFT正常的老年人中，检查OLB的状态、SMC和PE史.如果存在SMC、OLB差和PE缺乏史，则怀疑为MCI.如其中一项检查结果正常，则未必属于MCI.运行结果表明，决策树临床算法能准确区分MCI老年人与正常老年人,准确率为89.62%(95%CI 84.71%～93.38%)、敏感度为71.05%(95%CI 59.51%～80.89%)、特异性为100% (95% CI 97.32%～100%)、阳性预测值为100%、阴性预测值86.08% (95% CI 81.30%～89.79%)和似然率为0.29 (95% CI 0.20～0.41).

表1 正常老年人和MCI老年人的基线特征

表2 正常老年人和MCI老年人的临床检查

表3 多元logistic回归分析

图1 CHAID模型

图2 MCI临床筛选的决策树算法

3 MCI的临床影响因素

本研究中MCI的患病率为35.8%，与Xu等人的研究相比患病率较高.这可能是由于研究对象受教育程度不高造成的差异[8].有研究报告表明，老年人的认知能力与高血压、糖尿病、体育锻炼和受教育水平有关[9].本研究表明，在双变量统计分析中，缺乏体育锻炼的历史和教育水平与MCI统计学显著相关.高血压和糖尿病与MCI虽然相关，但无统计学意义，这可能是由于大多数参与者长期以来通过常规治疗，血压和血糖得到了较好的控制.本研究表明SMC与MCI具有统计学意义,可以纳入MCI筛选方案，当与其他检查相结合时，它将更准确[10-11].

研究显示，老年人的认知能力与体育锻炼有关[12-14]，缺乏PE的老年人发生MCI的风险增加.相反，有规律性的PE则发生MCI的风险较低[15-16].这与我们的研究结果一致.

VFT异常与MCI有统计学意义.以往的研究已经证明，正常老年人与MCI老年人在语言流畅性尤其是语义流畅性方面存在显著差异.患有MCI的老年人在语言流畅测试中表现较差[17].因此，语言流畅测试可以用来评估执行功能和语言技能.

较差的OLB与MCI显著相关.研究表明，顶叶功能障碍和海马功能障碍的存在不仅会导致记忆功能下降，还会导致视空间定向障碍[18-19].

4 结 语

本研究所建立的决策树模型的准确率为89.62%(95%CI 84.71%～93.38%)、敏感度为71.05%(95%CI 59.51%～80.89%)、特异性为100% (95% CI 97.32%～100%)、阳性预测值为100%、阴性预测值86.08% (95% CI 81.30%～89.79%)和似然率(-)为0.29 (95% CI 0.20～0.41)，共分为5层17个叶节点，能够较为准确的区分MCI老年人和正常老年人.根据决策树变量重要性排序规则，MCI诊断的预测因子排序依次为语言语义流畅测验(VFT)、主观记忆障碍(SMC)和体育活动(PE).决策树算法在初级卫生保健中老年人MCI的临床筛查是切实可行的.