*僅供醫學專業人士閱讀參考

癡呆風險藏在你的“作息”里！JAMA子刊最新研究：36個指標中這9個最關鍵

撰文丨醫學界報道組

“昨晚睡得怎么樣？”這句日常問候，可能隱藏著關乎大腦健康的秘密。近期，一項發表于JAMA Neurology的大型規模研究[1]指出，通過手腕上的運動傳感器（加速計）量化我們日常的“睡眠-覺醒周期”，或許能在傳統風險因素之外，為癡呆癥的預測提供新線索。讓我們一同走進這項研究，看看科學家們是如何從我們日常的“動與靜”中，解讀大腦健康的密碼。

尋找“數字”生物標志物：

為何聚焦睡眠-覺醒周期？

癡呆癥，尤其是阿爾茨海默病，是全球老齡化社會面臨的重大挑戰。近年來，血液生物標志物（如p-tau217）在早期檢測中展現出巨大潛力。然而，學術界也在探索其他互補性的、更易于推廣的“數字生物標志物”。

越來越多的證據表明，在癡呆癥的臨床前階段，患者的“睡眠-覺醒周期”（Sleep-Wake Cycle,SWC）就已經開始出現細微但可測的變化[2]。你是否注意到，身邊的老人有時白天精神不濟、活動減少，晚上卻易醒、睡眠碎片化？這些看似普通的改變，可能正是大腦發出的早期預警信號。

為了探究這一假設，由Cavaillès博士及其團隊開展了一項大型隊列研究[1]。他們利用手腕加速計，對來自英國生物銀行的53,448名60歲以上無癡呆癥的老人進行了平均7.8年的追蹤，并在另一個獨立的“Whitehall II研究”中對結果進行外部驗證[1]。這把研究推向了前所未有的規模和嚴謹性。

數據解碼：

36個指標中，鎖定“關鍵九項”

科學家們并沒有簡單地看“你睡了多久”。他們將睡眠-覺醒周期分解為四個維度：休息-活動節律、日間活動、睡眠和時間型（即作息時間偏好）。

研究從加速計數據中提取了36個測量指標，并采用了一種名為“稀疏偏最小二乘偏差殘差”（sPLSDR，一種機器學習降維和變量選擇方法）的先進算法。最終，算法篩選出最能預測癡呆風險的9個指標，并將其整合為兩個核心成分：

• 成分1：日間活動不利模式

此成分主要反映了日間活動的“質量”不佳。具體表現為：

• 運動減少：中高強度體力活動（MVPA）的次數更少、持續時間更短。

• 活動單一：更多時間處于低強度活動，活動強度的多樣性下降。

• 易疲勞模式：從活動狀態轉為休息狀態的概率更高。

打個比方，如果一個人從“精力充沛地出門散步”變成了“大多數時間坐在沙發上，偶爾起來走動”，那么他的“成分1”值就可能升高。

• 成分2：睡眠與作息紊亂

此成分則揭示了睡眠結構和作息時間的異常：

• 極端睡眠時長：無論是過短還是過長的睡眠，都指向風險。

• 睡眠質量差：睡眠期間的覺醒時間更長，且從清醒狀態轉為深睡的概率更低。

• 晨型作息傾向：更早的起床時間，是這個成分中權重最高的預測因子。

簡而言之，如果一個人晚上睡不踏實、頻繁醒來、天不亮就醒，而且睡得太多或太少，他的“成分2”值就可能偏高。

預測能力：

堪比“基因檢測”的數字工具

在對風險因素（年齡、性別、教育、行為、健康等）進行全面校正后，這兩個成分展現出顯著的預測價值。

核心結論（數據說話）：

• 風險關聯：在英國生物銀行隊列中，成分1每增加一個標準差，癡呆風險升高43%（HR：1.43；95% CI：1.33-1.54）；成分2每增加一個標準差，風險升高10%（HR：1.10；95% CI：1.04-1.17）。

• 預測提升：在包含13個已知風險因素的模型基礎上，加入這兩個成分，能將模型的C指數（預測準確性的一個核心指標）顯著提升0.018（95% CI：0.011-0.025）。

• 與基因“掰手腕”：更重要的是，研究團隊進行了事后分析。他們發現，僅用“年齡”來預測癡呆，然后加入這兩個SWC成分，其預測能力的提升（C指數增加約0.026）與添加APOE ε4基因分型的效果（增加約0.033）在統計學上并無顯著差異。這一結果在外部驗證隊列中得到了完美復制（SWC提升0.023vs.APOE ε4提升0.024）。

這意味著，一組簡單的日常活動數據，其預測效能可能堪比一次昂貴的基因檢測。即使在加入了認知篩查（MMSE）和前沿血液標志物p-tau217的模型中，SWC成分依然能提供額外的、統計顯著的預測貢獻（C指數額外提升0.011至0.013）。

臨床價值與展望：

一種可推廣的“預警雷達”

這項研究的價值不僅在于發現，更在于其臨床轉化潛力。相比于腰椎穿刺、PET掃描或需要嚴格實驗室要求的血液檢測，腕部加速計成本相對低廉、操作簡便、易于大規模推廣。只需佩戴一周（研究標準），即可獲取海量數據，依從性高。

研究結論明確指出，日間活動減少、睡眠碎片化、早醒是核心風險信號。這為非藥物干預指明了方向。“增加白天的活動量，改善夜間睡眠，適當推遲起床時間”，這些看似樸素的建議，現在有了強有力的數據作為佐證。未來研究可以探索，針對這些SWC指標進行干預，是否能真正延緩或預防癡呆的發生。

研究者指出，雖然SWC指標本身不能作為獨立的臨床診斷依據，但其在由年齡、認知評估、血液生物標志物（如p-tau217）組成的“多路攻擊”預測模型中，扮演著重要角色。一個包含年齡、p-tau217和SWC成分的模型，是目前看到預測效能最高的組合之一。這表明，未來可能會構建一個更綜合的“癡呆風險評分”，將基因、血液、行為數據融為一體。

研究的局限性

當然，任何高質量研究都有其局限性，我們在解讀時需保持審慎。第一，隨訪時長不夠，平均7.8年的隨訪對于癡呆長達20年的臨床前階段來說，可能仍顯不足。第二，人群選擇有偏倚，因果生物銀行參與者總體比普通人群更健康，存在一定的“健康志愿者”偏倚。第三，加速計數據僅測量一周，難以捕捉長期的動態變化趨勢。第四，研究揭示的是“關聯”而非“因果”。這些SWC的改變究竟是癡呆的“上游原因”還是“早期結果”，尚需進一步驗證。

總結

這項研究通過嚴謹的隊列研究設計和創新的數據分析方法，有力地證明了一個觀點：我們每日的“動”與“靜”——睡眠的連續性、活動的豐富度、作息的節律性，可以被精確量化，并作為預測未來癡呆風險的有效數字生物標志物。

雖然它不可能取代臨床診斷，但它打開了一扇門。未來，也許你的智能手表或可穿戴設備，就能成為一個“24小時不間斷工作的癡呆預警雷達”，幫助醫生在癥狀出現前數年，識別出那些需要重點關注和早期干預的高風險人群。這不僅是一次技術的進步，更是對人類健康行為模式認知的一次深刻變革。

參考文獻：

[1] Cavaillès C, Danilevicz IM, Vidil S, et al. Digital Sleep-Wake Cycle Metrics and Dementia Prediction in Older Adults. JAMA Neurol. Published online May 18, 2026.

[2] Musiek ES, Bhimasani M, Zangrilli MA, et al. Circadian rest-activity pattern changes in aging and preclinical Alzheimer disease. JAMA Neurol. 2018;75(5):582-590.

本文首發：醫學界神經病學頻道

責任編輯： 老豆芽

*"醫學界"力求所發表內容專業、可靠，但不對內容的準確性做出承諾；請相關各方在采用或以此作為決策依據時另行核查。