数字生物标志物——AI时代数字健康技术的“主角”

传统的生物标志物可以比较好地应用到临床实践和研究中，但其测量可能存在侵入性或测量费用较昂贵等问题。疾病通常是动态变化且复杂的，传统生物标志物收集的指标有限，导致通常呈现的不是完全视角。相比之下，数字生物标志物通常非侵入、模块化且测量成本低，它可以产生定性和定量的可测量指标，最重要的是，它可以提供更加简单且低成本的连续性纵向数据，并尽早发现细微的变化。利用一些可穿戴设备或外部相机等一些设备，可以便捷地获取到来自全身各部位的数字生物标志物。

序列反应时间是一种由参与者坐在计算机前，并通过选择响应界面上的几个按钮之一来提示对显示器上呈现的重复出现的视觉刺激做出反应，它代表参与者快速、精确执行预定义动作序列的能力。Stephan 等人利用了该任务的一个变体，发现 PD 患者的序列学习效果较差，并且与他们的疾病阶段相关。因此SRT可以区分疾病早期的 PD 患者。

睡眠障碍是 PD 最普遍的非运动症状之一，估计全球有 40-98% 的 PD 患者遇到此类问题，并且通常在 PD 临床诊断之前就表现出来。MIT杨宇喆博士等人通过采用人工智能建模来分析从呼吸带和基于射频的呼吸监测设备收集的夜间呼吸信号，证明在家庭环境中评估 PD 的可行性就是一个经典的例子。

运动功能减退性构音障碍发生在 90% 的 PD 患者中，其特征是运动和言语相关肌肉控制减少。它表现为单调和降低的响度、发音不清晰以及语速和节奏中断。Almeida 等人开发了一款 PD 分类应用程序，安装在智能手机上，供医生使用。研究人员测试了不同语言使用者的录音，发现预测准确率很高，大多在 70% 到 90% 之间。

以面部运动减少和减速为特征的面部运动迟缓是 PD 的主要运动症状之一，PD 患者产生更多的“假笑”，导致冷漠和退缩的印象，被称为“蒙面”综合症。能够自动检测面部 AU 的动态系统在识别运动的细微变化方面提供了更高的灵敏度。Jin 等人开创了一种使用面部视频识别技术结合机器学习算法诊断 PD 的方法，这种方法对 PD 的诊断准确率超过 90%，但缺乏区分非典型综合征的能力。

脑功能错综复杂的变化使眼动追踪成为深入研究 PD 进展机制不可或缺的工具。大约 75% 的 PD 患者会出现眼球运动困难，PD 诱导的神经病理学改变导致注视时间延长、扫视开始延迟以及扫视振幅和速度降低。Villers-Sidani 等人通过使用平板电脑和软件对固定、扫视和反扫视任务进行全面分析，高精度地将 PD 与健康对照区分开来。

自主神经功能障碍可能代表 PD 的早期迹象，最近的研究表明，与其他扫视运动的变化不同，前驱期的眨眼和瞳孔模式发生了变化。瞳孔光反射 （PLR） 是瞳孔功能的重要标志物，PD 个体的副交感神经系统比交感神经系统受到的影响更显着。据观察，PD 患者在瞳孔动力学方面表现出速度和效能降低。Joyce 等人发现照明后瞳孔反应 （PIPR） 可以作为早期 PD 评估工具。

在大多数情况下，PD 的运动症状首先出现在上肢，显着影响患者控制和协调这些对日常活动至关重要的运动的能力。腕戴式加速度计的使用尤为突出，通过可穿戴技术进行早期检测成为研究的热门话题。Powers 等人开发了一种基于 Apple Watch 的复杂动态监测系统，称为帕金森病运动监测器 （MM4PD），它擅长准确捕捉和监测静止性震颤的模式。

PD 的特征是明显的步态和平衡障碍，表现为与健康个体相比，步幅缩短、步态速度降低和跌倒易感性增加。尽管如此，由于 PD 的微妙性，在 PD 的初始阶段检测步态改变具有挑战性。在可穿戴加速度计的应用中，对步态冻结 （FOG） 的研究非常突出，尽管它们的使用超出了这一领域。Schalkamp 等人利用英国生物样本库加速度计数据来强调其作为 PD 风险识别的经济高效的筛查工具的潜力。Fitbit 设备还为估计 PD 患者的健康指标提供了足够的准确性和精密度，包括步数、燃烧的卡路里、活跃分钟数和睡眠。

显然，以上提到的８种数字生物标志物不仅用于PD早筛和疾病监测，还可以广泛应用于其他疾病或健康管理。尽管技术发展中对于数据获取、隐私保护、多设备融合、不同设备数据的异质性问题、挑战性环境、算法开发等问题仍在解决与优化中，但数字生物标志物无疑都是其中的“主角”。

幸运的是目前领域内的优秀研究者和从业者已经做出了非常成功的实践，相信在不远的将来，基于数字生物标志物的PD等疾病的精准早筛与疾病监测会成为常态。

▼参考资料

[1] Dorsey ER, Sherer T, Okun MS, Bloem BR: The Emerging Evidence of the Parkinson Pandemic. J Parkinsons Dis 2018, 8(s1):S3-S8.

[2] Yang Y, Yuan Y, Zhang G, Wang H, Chen Y-C, Liu Y, Tarolli CG, Crepeau D, Bukartyk J, Junna MR et al: Artificial intelligence-enabled detection and assessment of Parkinson’s disease using nocturnal breathing signals. Nature Medicine 2022.

[3] Schalkamp AK, Peall KJ, Harrison NA, Sandor C. Wearable movement-tracking data identify Parkinson’s disease years before clinical diagnosis. Nat Med. 2023 Jul 3. doi: 10.1038/s41591-023-02440-2. Epub ahead of print. PMID: 37400639.

[4] Zhenwei Yu et al.,Molecular beacon–based detection of circulating microRNA-containing extracellular vesicle as an α-synucleinopathy biomarker.Sci.Adv.10,eadl6442(2024).DOI:10.1126/sciadv.adl6442