随着越来越多的老年人驾车时间比以往任何时候都长，了解早期认知变化如何影响驾驶变得越来越重要。在美国，有超过5000万持有驾照的老年人。新研究利用自然驾驶数据（来自老年驾驶员的日常车辆使用记录）和车载传感器（全球定位系统、加速度计、控制器局域网总线数据、摄像头）来识别细微的驾驶行为变化（例如，不稳定的车道保持、刹车频率或急刹增加、遵循全球定位系统指示失误、违反交通法规），这些变化可以预测轻度认知损害（MCI）或早期阿尔茨海默病，甚至比神经心理学测试更早。机器学习算法使用真实驾驶数据训练，可以以高准确性（曲线下面积 ≈ 0.80-0.90）区分MCI驾驶员与认知健康的老年人。该技术可作为社区筛查工具，用于识别高风险个体，以便转诊至记忆诊所进行全面评估。
背景：早期认知衰退检测的挑战
-
轻度认知损害影响10-20% 的65岁以上人群，且每年有10-15% 的轻度认知损害患者进展为阿尔茨海默病。
-
常规神经心理学筛查（蒙特利尔认知评估、简易精神状态检查）存在实践效应、对轻度认知损害/早期阿尔茨海默病的敏感性有限（约50-70%）。
-
生物标志物（脑脊液淀粉样蛋白/tau， 淀粉样蛋白PET）具有侵入性、昂贵且在某些医疗系统中可及性有限。
驾驶数字标志物：相关指标
研究设计
-
参与者：约300-500名65岁以上驾驶员（认知正常， 轻度认知损害， 早期阿尔茨海默病）。
-
车载设备：数据记录器（OBD-II接口）+ 全球定位系统 + 摄像头（前向/驾驶员面部）持续数月。
-
临床评估：基线及每6-12个月进行神经心理学测试（蒙特利尔认知评估， 连线测验， 霍普金斯语言学习测验修订版）和临床痴呆评定量表。
-
机器学习模型：逻辑回归、支持向量机、随机森林、梯度提升（极端梯度提升）或深度学习（长短期记忆）用于分类认知状态。
核心结果
机器学习模型总体准确率：
对临床实践的影响
局限性与未来方向
-
隐私问题：持续的驾驶数据收集引发关于数据所有权、同意和隐私保护（加密、去标识化）的问题。
-
通用性：驾驶模式因地区（城市 vs. 农村）和气候（雪、雨）而异；需要本地化模型。
-
混杂因素：视力障碍、关节炎（颈部活动受限）、药物副作用（镇静）可能模拟认知问题；应加以控制。
-
设备成本：专门的OBD-II/全球定位系统记录器可能很昂贵，阻碍了广泛的部署。基于智能手机的应用程序可能提供更廉价的替代方案。
关键信息速览
关键概念：轻度认知损害（MCI） | 阿尔茨海默病（AD） | 数字生物标志物（Digital biomarker） | 自然驾驶研究 | 车道保持（Lane keeping） | 机器学习的驾驶事件分类（Machine learning for driving event classification）
相关领域：老年医学 | 认知神经科学 | 汽车人因工程 | 交通医学
——本文基于最新研究报道编译，为老年科医生、神经科医生及公共卫生政策制定者提供纵向专业驾驶数据监测作为检测轻度认知损害和早期阿尔茨海默病低成本、高生态效度筛查工具的证据。
(责任编辑：泉水) |