《Journal of the International Neuropsychological Society》:Psychometric modeling of Boston process approach data for dementia prediction in the Framingham Heart Study
编辑推荐:
为解决传统神经心理学测试依赖单一分数、难以捕捉细微认知变化的问题,研究人员针对弗雷明汉心脏研究(FHS)社区老年人的波士顿过程方法(BPA)多维数据开展心理测量学建模研究。研究通过探索性/验证性因子分析、测量不变性检验和机器学习模型,构建了具有充分拟合度的双因子模型(CFI=0.96, RMSEA=0.03)。结果显示,BPA数据揭示的一般能力和逐字故事回忆等特定因素可有效预测全因痴呆的发生(OR分别为0.15和0.24)。结合BPA数据的机器学习模型识别出超过99%的痴呆转化者。研究表明,BPA衍生的多维认知特征可提升对早期痴呆预测的敏感性,为认知评估和早期干预提供了新思路。
在探索人类大脑认知奥秘的征途上,科学家们一直致力于寻找能够早期预警认知衰退的“雷达”。传统的神经心理学评估,如同一位严格的考官,通常只给出一个总结性的分数来评判受试者在记忆、语言或执行功能等特定领域的表现。然而,这种“一测试一领域”的简化方式,正面临越来越大的挑战。它就像只用总分来评价一场复杂的交响乐演出,可能会忽略乐手们精妙的配合、独特的处理甚至细微的失误,而这些细节恰恰可能是未来演出失准的先兆。在认知老化和神经退行性疾病(如阿尔茨海默病)的研究中,早期、细微的认知变化是干预治疗的黄金窗口,但依赖单一总分常常会模糊这些关键信号,甚至导致误判。
正是在这样的背景下,波士顿过程方法(Boston Process Approach, BPA)应运而生。这一由伊迪丝·卡普兰(Edith Kaplan)开创的方法,其核心理念是从“过程”而非仅仅“结果”来审视认知测试。它像一位细致的观察者,不仅记录受试者最终答对了几道题,更关注他们解题时的策略、犯错的类型、自我修正的过程,乃至在标准测试程序之外“试探极限”的表现。例如,在画钟测试中,BPA会分析受试者是否先锚定关键数字(如12、3、6、9)再填充其他数字,这种“锚定”策略是有效组织能力的体现。尽管BPA在临床诊断和鉴别(如区分阿尔茨海默病和血管性痴呆)中显示出价值,但其在研究中广泛应用却受到限制,因为产生的数据通常是稀疏的计数型变量(很多错误类型发生率低但临床意义大),传统心理测量方法难以处理,且需要专家评审,耗时耗力。
随着针对阿尔茨海默病及相关痴呆症(Alzheimer’s disease and related dementias, ADRD)的疾病修饰疗法获批,开发能够检测轻度认知障碍(Mild Cognitive Impairment, MCI)和痴呆早期细微认知变化的新方法变得前所未有的迫切。弗雷明汉心脏研究(Framingham Heart Study, FHS)作为一个大型社区队列,自2005年起系统地收集了涵盖多种神经心理测试的丰富BPA数据,为深入探索这一问题提供了宝贵资源。本研究旨在对FHS中这些复杂的BPA数据进行心理测量学建模,以揭示这些变量究竟测量了何种潜在的认知结构,并评估这些结构预测未来转化为痴呆的能力,从而为认知老化和痴呆的早期识别提供更敏感、更丰富的指标。
为开展此项研究,研究人员主要运用了以下几种关键技术方法:首先,研究基于FHS社区队列,选取了2363名基线时无痴呆、年龄≥60岁的参与者作为分析样本,并利用该队列长期追踪获得的神经心理学测试和BPA数据。其次,针对BPA数据多为零膨胀计数的特点,研究采用了基于Kemeny度量空间和最大似然分解的新方法构建非参数协方差矩阵,以适应数据复杂性并进行因子分析。再者,通过探索性因子分析、验证性因子分析和双因子模型构建,确定了数据的最佳潜在结构模型。此外,研究运用结构方程模型检验了测量不变性,评估了年龄、性别和教育程度对不同群体测量一致性的影响。最后,利用机器学习(随机森林分类器)比较了仅使用传统神经心理学总分、仅使用BPA变量以及结合两者数据在预测未来痴呆转化方面的性能。
研究结果
因子分析
数据分析保留了169个可用BPA变量中的35个,构建了一个七因子双因子模型。该模型是唯一一个具有可接受拟合度的模型(CFI = 0.97, RMSEA = 0.02, SRMR = 0.02)。模型包含一个“一般因子”和七个“特定因子”。一般因子反映了在所有测试中产生正确或策略性反应并避免犯各种错误的整体倾向。七个特定因子则源自不同的神经心理测试,捕捉了测试特有的方差和细微的认知过程:
- •
字母流畅性:特定因子体现在不同时间间隔内产生的正确反应数量上,早期时间间隔(0-15秒,16-30秒)通常有更高的负荷。
- •
画钟测试:特定因子来源于“锚定”策略的使用,命令条件下的锚定负荷略高于临摹条件。
- •
命名测试:特定因子包括迂回陈述和语义性错语错误。
- •
数字广度:特定因子似乎将注意力(源自数字顺背)与工作记忆(源自数字倒背)分离开来。
- •
逻辑记忆:衍生出两个特定因子,一个包含学习和回忆阶段产生的逐字细节,另一个包含概念相关错误(即改变目标信息意义的“要旨错误”)。
- •
配对联想学习:特定因子包括学习和延迟回忆阶段的干扰错误和“要旨错误”。
测量不变性
多组验证性因子分析表明,模型在不同年龄(以65岁为界)、性别(男/女)和教育程度(以高中文凭为界)群体间均具有形态不变性、弱不变性(度量不变性)和强不变性(标量不变性)。这意味着BPA衍生的因子在不同人口学群体中测量的是相同的潜在结构,群体间在因子得分上的差异可以解释为真实的性能差异,而非测量偏差。然而,严格不变性(残差不变性)并未完全成立。
模型解读与结构方程模型
在控制了年龄、性别和教育程度后,结构方程模型分析显示:
- •
痴呆预测:较高的一般因子得分和较强的逐字故事回忆能力与未来发展为全因痴呆的可能性降低显著相关(一般因子:OR = 0.15, 95% CI [0.12–0.86];逐字回忆:OR = 0.24, 95% CI [0.23–0.90])。其他特定因子与痴呆转化无显著关联。
- •
人口学影响:年龄较大、教育程度较低的参与者在一般因子和多个特定因子上的得分倾向于更低(即产生更少的正确/策略性反应,犯更多错误)。性别差异则更为复杂,女性在故事回忆和配对联想等任务上表现优于男性,但在命名错误和注意力因子上表现稍逊。
机器学习模型
为了比较不同数据集的预测效能,研究者训练了机器学习模型:
- •
仅使用传统神经心理学总分数据的模型,识别了95.9%的痴呆转化者。
- •
仅使用BPA数据的模型,识别了99.4% 的转化者。
- •
结合神经心理学总分和BPA数据的模型,识别了99.1% 的转化者。
BPA数据的加入显著提高了模型的敏感性(几乎识别所有病例),同时保持了较高的特异性。置换重要性分析显示,在结合模型中,BPA变量贡献了总预测重要性的83.9%。
研究结论与讨论
本研究通过心理测量学建模,证实了量化BPA数据在揭示神经心理测试丰富性和预测痴呆风险方面的强大潜力。研究构建的双因子模型有效区分了反映跨测试一般认知能力(倾向于正确和策略性反应)的“一般因子”和反映特定测试细微过程的“特定因子”。这一发现挑战了“一测试一领域”的简化框架,强调了认知过程的交叉分布特性。例如,故事记忆中的“要旨错误”虽然被计为错误,却与一般因子呈微弱正相关,这可能暗示其反映了某种记忆能力,这与BPA理念及关于神经退行性疾病中要旨记忆的研究相符。
重要的是,研究证明BPA衍生的因子在主要人口学群体中具有良好的测量不变性,确保了观察到的差异是真实的性能差异。结构方程模型揭示,一般认知能力和逐字故事回忆是未来痴呆转化的最强预测因子。而探索性机器学习分析进一步证实,加入BPA数据能极大提升模型识别痴呆转化者的灵敏度,BPA变量在预测中贡献了绝大部分的重要性。
这项研究的意义在于,它架起了临床神经心理学实践与科学研究之间的桥梁。一方面,它通过严谨的心理测量学方法,为临床上长期使用但被认为“非标准化”的BPA观察提供了实证支持和量化模型,增强了其科学性和可推广性。另一方面,它展示了一种处理复杂、稀疏行为数据的方法学框架,为未来研究利用类似数据探索认知老化奠定了基础。在痴呆症早期检测和治疗日益关键的今天,能够捕捉细微认知变化的多维特征(如BPA所揭示的)可能成为优化评估、实现早期干预的重要工具。尽管研究存在样本种族多样性有限、未涵盖所有BPA变量、需外部验证等局限性,但它无疑为更深入、更精准地理解认知测试表现和预测认知衰退开辟了新的途径。