活动记录仪（一种简单的腕戴式休息-活动周期监测设备）与专门的AI transformer模型相结合，能够以超过93%的准确率区分帕金森病患者和健康对照者，并以超过95%的准确率识别伴有REM睡眠行为障碍（RBD）的患者。这项研究于7月7日发表在Journal of Sleep Research上。
研究结果表明，这种非侵入性方法可能检测到孤立性REM睡眠行为障碍（iRBD）患者的早期神经退行性变化。iRBD是帕金森病及相关突触核蛋白病的已知前兆，可在运动症状临床显现前数年就发出信号。
研究发现
瑞士伯尔尼大学医院Inselspital的研究人员训练并比较了三种AI架构，这些架构基于帕金森病（PD）患者、伴或不伴RBD的PD患者、孤立性RBD患者以及非神经退行性对照者的活动记录仪数据。
预训练活动记录仪Transformer（PAT）（一种针对活动记录仪时间序列数据微调的transformer模型）的表现优于卷积神经网络和传统机器学习方法：
| 分类任务 | AUC | 灵敏度 | 特异度 |
|—|—|—|—|
| PD vs. 对照组 | 0.937 | 80.5% | 92.9% |
| PD-RBD vs. PD-noRBD | 0.956 | 84.4% | 92.9% |
CNN在PD与对照组的分类中达到了0.863的AUC，而传统机器学习达到了0.840。
关键的是，当PAT模型在孤立性RBD患者（即患有睡眠障碍但无帕金森病临床体征的个体）上进行测试时，他们的模型得分恰好落在对照组和PD组之间。这种中间定位表明，AI正在捕获运动诊断之前出现的细微神经退行性变化。
PD-RBD患者的活动记录仪特征也显示出与无RBD的PD患者和对照组相比的显著改变，表明休息-活动碎片化具有超出标准临床评估检测范围的独特特征。
重要意义
目前帕金森病的诊断依赖于临床运动症状，而这些症状仅在大量多巴胺能神经元损失已经发生后才会出现。用于前驱期检测的客观、可扩展的生物标志物是运动障碍研究的最高优先事项之一。
活动记录仪具有实际优势：腕戴式设备已广泛用于睡眠医学和消费级可穿戴设备。增加AI分析层可以将现有基础设施扩展为神经退行性疾病的筛查工具，无需专用设备、无需放射性示踪剂、无需为初始分诊前往医院。
在60岁以上的一般人群中，约1%患有iRBD，其中绝大多数最终会发展成突触核蛋白病。低成本的数字生物标志物可以帮助识别哪些人面临迫在眉睫的风险，并为神经保护试验分层候选者。
局限性
该研究为横断面研究。作者明确指出，在将模型用于个体风险预测之前，必须在纵向队列中进行验证。PAT模型在iRBD患者中的中间评分与实际进展到表型转化时间的相关性仍不清楚。该研究也未涉及潜在的混杂因素，例如药物对休息-活动模式的影响或RBD以外的共病睡眠障碍。
结论
AI增强的活动记录仪在帕金森病及其前驱阶段的诊断性能与更昂贵、更具侵入性的生物标志物方法相当。如果经过前瞻性验证，它可能成为第一个真正可扩展、非侵入性的人群级神经退行性风险评估筛查工具，而使用的设备许多人已经戴在手腕上入睡。
来源
Lopes L， Warncke JD， Filchenko I， Shi K， Bassetti CLA， Schäfer C.「Actigraphy meets AI: A digital biomarker for Parkinson’s disease and isolated REM sleep behaviour disorder.」Journal of Sleep Research. 2026 Jul 7:e70396. DOI: 10.1111/jsr.70396
婷 翻译