加州大学洛杉矶分校的研究人员近期开发出一种新型人工智能工具，能够利用电子健康记录识别潜在的未确诊阿尔茨海默病患者。该研究旨在应对阿尔茨海默病护理中长期存在的诊断不足问题，特别是在部分群体中尤为显著。相关成果已发表于《npj数字医学》期刊。

该研究的通讯作者、加州大学洛杉矶分校健康神经病学系的Timothy Chang博士指出：“阿尔茨海默病是美国第六大死因，影响着九分之一的65岁及以上美国人。实际患病者和确诊患者之间的差距很大，在弱势群体中这种差距更为显著。” 例如，非裔美国人及西班牙裔/拉丁裔人群的患病风险较高，但其确诊比例却相对较低。

与以往基于传统监督学习框架的预测模型不同，加州大学洛杉矶分校团队采用了名为“半监督正例无标签学习”的新方法。该模型在设计时即融入公平性考量，旨在减少不同群体间的诊断偏差。研究团队利用该校健康系统超过9.7万名患者的电子健康记录进行训练与验证，这些数据包含已确诊和未明确诊断的病例。

模型通过分析诊断记录、年龄及其他临床特征中的模式来识别潜在患者。验证结果显示，该工具在非西班牙裔白人、非西班牙裔非裔美国人、西班牙裔/拉丁裔及东亚裔群体中，识别未确诊患者的敏感度达到77%至81%，高于传统模型39%至53%的水平。此外，通过遗传数据比对，该模型预测的高风险患者群体，其阿尔茨海默病相关遗传标记的出现频率也显著更高。

Chang博士表示：“通过确保对不同人群的预测结果公平一致，我们的模型可以帮助解决代表性不足人群中阿尔茨海默病诊断不足的问题。” 随着能延缓疾病进展的新疗法与干预措施出现，早期识别变得更为关键。该工具有助于临床医生筛查高风险个体，以便进行进一步评估。

研究团队计划下一步在合作医疗系统中对该模型进行前瞻性临床验证，评估其普遍适用性与实际效用，再考虑将其整合至常规诊疗流程中。

更多信息：作者：Thai Tran 等人，标题：《基于公平正样本的无标签学习预测不同电子健康记录中未确诊的阿尔茨海默病》，发表于：npj Digital Medicine (2025)。期刊信息： npj 数字医学