---
title: innovation thesis
type: synthesis
last_updated: 2026-04-25
status: settled
---

# 可穿戴传感器 × Multi-Agent 阿尔兹海默症项目 — 研究问题完善方案

> 基于李医生访谈反馈，针对9个需求方向的文献支撑与问题解答

---

## 需求 1：认知轨迹动态监测

认知轨迹（Cognitive Trajectory）的定义

学术定义：认知轨迹是指个体认知功能随时间变化的纵向模式（longitudinal pattern of cognitive change）。与传统量表的"横断面快照"不同，认知轨迹关注的是变化率（rate of change）和变化方向（direction），而非单一时间点的绝对分数。

文献中常见的定义框架：
- Slot-based trajectory：在固定时间间隔（如每月/每周）测量认知代理指标，形成时间序列
- Inflection point mode：Buracchio et al. (2010) 发现步态速度在 MCI 临床诊断前 12.1年** 就出现拐点，年下降率从 -0.005 m/s/y 骤增至 -0.023 m/s/y — 这就是一个"认知轨迹异常"的典型模式
- **Digital phenotyping trajectory**：通过可穿戴设备持续采集的数字生物标志物（digital biomarkers）构建的个体化纵向曲线

**关键参考文献：**
- Buracchio T et al. "The trajectory of gait speed preceding mild cognitive impairment." *Archives of Neurology*, 2010
- Nature Medicine (2025): Apple Watch + iPhone 对 23,000+ 人进行 18 个月远程认知健康监测，证明了远程纵向追踪的可行性
- npj Digital Medicine (2019): "Digital biomarkers for Alzheimer's disease: the mobile/wearable devices opportunity"

---

### 🔍 为什么多模态传感器可以构建个体化认知基线？

**核心逻辑：** 认知功能不是一个单一维度，而是**多域（multi-domain）**的。不同传感器捕捉不同认知域的代理指标（proxy markers），组合后可构建全面基线：

| 传感器 | 捕捉的认知域 | 原理（为什么可以 translate） |
|--------|-------------|---------------------------|
| **IMU（步态）** | 执行功能、注意力、运动规划 | 步态是"高阶认知任务"：需要前额叶参与规划和协调。双任务步态（边走边说话）下降更敏感 |
| **语音** | 语言功能、语义记忆、执行功能 | 词汇多样性↓、停顿增多、语义错误↑ 反映颞叶和前额叶退化 |
| **睡眠（PPG/加速度计）** | 睡眠-觉醒节律、慢波睡眠 | AD 患者淀粉样蛋白清除依赖 glymphatic system（深睡期活跃），睡眠碎片化是早期标志 |
| **HRV** | 自主神经功能 | 副交感神经张力↓ 反映中枢自主神经网络退化，与认知下降相关 |
| **EDA** | 情绪唤醒、交感神经活动 | BPSD 前兆信号；长期基线变化反映自主神经退化 |

为什么"个体化"很重要：
- 人群基线变异大（如运动员步态本身就快，久坐者慢）
- 个体化基线 = 用自己做自己的对照，检测的是"你相对于你自己的变化"
- 这正是可穿戴设备相对于量表的核心优势：量表比较的是群体常模，可穿戴比较的是你自己

---

🔍 如何定义认知变化曲线？

操作化定义：

```
认知变化曲线 = f(时间, [步态指标, 语音指标, 睡眠指标, HRV指标, ...])
```

具体构建方法：

1. 建立基线期（Baseline Phase）：佩戴初期 2-4 周，采集各模态数据，建立个体"正常范围"
2. 特征提取：每个模态提取关键特征
   - 步态：步速、步频、步态变异性、双任务代价
   - 语音：词汇多样性（TTR）、停顿率、语义错误率、信息密度
   - 睡眠：总睡眠时间、睡眠效率、觉醒次数、深睡比例
   - HRV：SDNN、RMSSD、LF/HF ratio
3. 融合为综合认知指数（Composite Cognitive Index, CCI）：
   - 方法一：加权线性组合（权重从已有文献或医生经验确定）
   - 方法二：机器学习降维（PCA / Autoencoder），将多模态特征压缩为 1-3 个主成分
4. 纵向追踪：绘制 CCI 随时间的变化曲线
5. 异常检测：
   - 统计方法：偏离基线 >2SD 触发预警
   - ML方法：LSTM / Change-point detection 识别趋势变化
关键创新点： 传统量表每 3-6 月测一次，你的系统可以做到日级/周级分辨率，捕捉到量表看不到的短期波动和早期趋势。

---

## 需求 2：社区/基层早期预警

### 🔍 早期预警针对哪个阶段？

目标阶段：SCD → MCI 的转化期（量表最大盲区）**

AD 进展连续体：
```
正常衰老 → SCD（主观认知下降）→ MCI（轻度认知障碍）→ 轻度AD → 中度AD → 重度AD
         ↑ 你的系统瞄准这里 ↑
```

- SCD（Subjective Cognitive Decline）：患者自觉"记忆变差"，但量表评分正常。约 25-50% 的 SCD 会在 5-10 年内进展为 MCI/AD
- 这是量表的盲区：MMSE/MoCA 在 SCD 阶段灵敏度极低（floor effect），无法检出
- 可穿戴优势：被动监测可以捕捉到量表检测不到的亚临床变化（subclinical changes）

### 🔍 目前文献中可使用的指标

| 指标类型 | 具体指标 | 来源传感器 | 文献支持的有效性 |
|---------|---------|-----------|----------------|
| 步态 | 步速减慢、步态变异性↑、双任务代价↑ | IMU | Buracchio 2010: 步速拐点在 MCI 诊断前 12 年出现 |
| 睡眠 | 睡眠碎片化、昼夜节律紊乱、REM 比例变化 | PPG/加速度计 | Winer 2019: 深睡减少与 Aβ 沉积相关 |
| 语音 | 停顿增多、词汇多样性↓、信息密度↓ | 麦克风 | TAUKADIAL 2024 挑战赛: 507 样本（含中文），AUC 0.78-0.85 |
| HRV | SDNN↓、副交感张力↓ | PPG | Collins 2012: HRV 降低与 AD 风险独立相关 |
| 日常活动 | 活动模式改变、外出减少、日常任务完成度↓ | IMU + 环境传感器 | Dodge 2012: 计算机使用模式变化预测 MCI |
| 打字/触屏 | 按键间隔变异、打字速度↓ | 手机传感器 | Nature Medicine 2025: iPhone 数据检测 MCI |

### 🔍 早期预警 做给医生 vs 做给患者/家属的区别

| 维度 | 给医生 | 给患者/家属 |
|------|--------|-----------|
| **信息粒度** | 详细：各模态原始指标 + 趋势 + 可追溯推理 | 简化：红黄绿灯式风险提示 |
| **输出形式** | 临床报告：含具体数值、置信区间、纵向对比图 | App推送："建议带老人去看医生" |
| **专业术语** | 可使用（MMSE等效分、CDR分期） | 避免，使用日常语言 |
| **可操作性** | 辅助诊断决策、用药调整依据 | 行动引导（"预约挂号"、"注意事项"） |
| **更新频率** | 月度/季度综合报告 + 异常即时推送 | 仅在风险变化时推送，避免焦虑 |
| **法律合规** | 需要符合医疗器械认证（如 SaMD） | 定位为"健康参考"而非"诊断"，规避监管风险 |
| **核心价值** | 减少诊断延迟、量化疗效、精准分期 | 降低就诊门槛、提高家属意识 |

### 🔍 早期预警目前做到了什么地步？

**已有的里程碑：**
- **Nature Medicine 2025**：Apple 与研究机构合作，23,000+ 人使用 iPhone + Apple Watch 进行 18 个月认知监测，证明远程检测 MCI 的可行性（AUC ~0.70-0.75）
- **Langa et al. 2024 scoping review**：数字生物标志物最常研究的领域是活动/静息（39%）、语音（17%）、步态（14%）
- **局限**：绝大多数研究仍是**单模态**、**小样本**、**横断面或短期**。真正的"多模态 + 纵向 + 大规模"研究极少 — **这正是你们的机会**

**你们方案的差异化：**
1. 多模态融合（不只看一个指标）
2. Multi-Agent 推理（不只是信号→标签的硬映射）
3. 中文/方言环境（目前文献极度缺乏）
4. 面向社区筛查（不是医院场景）
两篇里程碑的"早期检测"方法论对比

① Nature Medicine 2025（Apple研究）—— 大规模被动监测路径

他们怎么做"早期"检测的？ （已编辑） 
[下午 5:01]好，现在把这两篇的方法论拆清楚 :astronaut:

───

两篇文献的"早期检测"方法论 — 逐篇拆解

───

① Nature Medicine 2025（Apple × Biogen，"Intuition"研究）

*研究名称*：_Smartwatch- and Smartphone-based Remote Assessment of Brain Health and Detection of MCI_

早期检测的核心路径：被动采集 → 主动认知测试 → 纵向建模

用户日常使用 iPhone + Apple Watch
（无需主动配合）
↓
被动采集 4 类数据：
1. 步行速度（加速度计）
2. 打字节律（键盘传感器）
3. 睡眠时长/结构（Watch 睡眠追踪）
4. App 使用模式（屏幕时间、习惯变化）
↓
+ 定期推送 App 内认知测试（主动任务）
↓
ML 模型 → MCI 分类（AUC 0.70-0.75）
+ 认知轨迹描述（纵向变化）
*关键设计决策*：

• *规模优先*：23,004人，目的是解决以往研究"样本太小、代表性不足"的问题（种族/地理/年龄分布都刻意做了多样化）
• *主动+被动混合*：不只是被动传感器，还有 App 内的认知测试任务（更直接的认知测量）
• *纵向设计*：24个月，每个人有时间序列数据，可以画认知变化曲线
• *目标阶段*：MCI（不是SCD），用已有诊断标签做监督学习

*早期检测的局限*（你们的创新空间）：

| Apple研究的做法            | 你们可以做的                 |
| --------------------- | ---------------------- |
| 只用 iPhone/Watch 内置传感器 | + EDA、HRV深度分析、语音、表情    |
| 主动认知测试需要用户配合          | 完全被动，不需要任何主动参与         |
| 只到 MCI 阶段（量表能发现的）     | 延伸到 SCD 阶段（量表盲区）       |
| 美国英语用户                | 中文/方言环境                |
| 信号→结论（无推理链）           | Multi-Agent情境推理，输出可解释链 |
| 给研究者看                 | 给家属推送通俗预警              |
───

② Langa et al. / medRxiv 2025 Scoping Review

*实际标题*：_Digital Biomarkers in Early Alzheimer's Disease from Wearable or Portable Technology: A Scoping Review_

这篇不是做实验的，而是总结 109 篇研究的全景图

搜索了 MEDLINE + Web of Science + EMBASE
→ 8,893 篇记录 → 筛选后保留 109 篇
→ 受试者：3,019 MCI + 1,942 轻度AD
（平均73岁，54-55%女性）
*他们发现各个研究"怎么做早期检测"的分布*：

| 生物标志物类型     | 占比  | 检测方法                           |
| ----------- | --- | ------------------------------ |
| 活动/静息节律     | 39% | 腕式加速度计（Actigraphy），检测昼夜节律紊乱    |
| 语音          | 17% | 图片描述任务（Cookie Theft）、自发语音、对话分析 |
| 步态          | 14% | 步速测量、步态变异性、双重任务步态              |
| 精细运动（手写/触屏） | 12% | 数字化平板，检测书写速度、压力、犹豫             |
| 其他          | 18% | 眼动、面部表情、生理信号等                  |
*关键发现（= 整个领域的现状）*：

• :white_check_mark: 大多数研究证明数字生物标志物*可以区分 MCI vs 正常老化*
• :x: 只有 16% 的研究报告了诊断效能（多数研究只看相关性，没给AUC/敏感性）
• :x: 只有 3% 的研究做了预后预测（能不能预测将来会不会转化为痴呆）
• :x: 几乎所有研究都是*单模态、横断面、小样本*

*这就是 Research Gap 的直接来源*：

现有109篇研究：
- 单模态（只看活动 or 只看语音 or 只看步态）
- 横断面（只有一个时间点）
- 诊断分类（有/没有MCI），很少做预后预测
- 样本小（平均几十到几百人）
- 没有情境信息融合

你们要做的：
- 多模态融合（把39%+17%+14%+表情+HRV全部合并）
- 纵向（连续追踪，画认知轨迹）
- 预后导向（能不能预测3-6个月后是否恶化？）
- 大规模社区部署
- 情境推理（解释"为什么"，不只是"有没有"）
───

两篇合在一起，你们方案的定位就很清楚了

Apple研究（Nature Medicine 2025）
= 证明了"被动监测+纵向"这条路可行
= 但只做了 MCI（不够早），只用了手机/手表（不够多模态）

Scoping Review（2025）
= 告诉你领域现状：单模态、横断面、小样本是常态
= 84%的研究没有报诊断效能，97%没有做预后预测

你们的方案填的恰好是两者的空白：
多模态 + 纵向 + SCD早期 + 中文 + 情境推理 + 预后预测
---

## 需求 3：Multi-Agent 情境推理解决信号歧义

### 🔍 情境信息（Contextual Information）的定义

根据 Dey (2001) 经典定义以及最新的 CA-MAS（Context-Aware Multi-Agent Systems）综述（arXiv 2402.01968, 2024）：

**情境信息 = 任何可以用来描述实体所处状态的信息**

在你们的系统中，情境信息可分为 5 个层次：

| 层次 | 内容 | 数据来源 |
|------|------|---------|
| **L1: 生理情境** | 当前心率、HRV、EDA、步态参数 | 可穿戴传感器实时数据 |
| **L2: 行为情境** | 当前活动（走路/坐/睡觉）、位置、运动量 | IMU + GPS/室内定位 |
| **L3: 时间情境** | 时间点（日落综合征多在下午4-6点）、星期几、季节 | 系统时钟 |
| **L4: 社会情境** | 是否有访客、是否独处、社交互动频率 | 环境传感器 / 家属App报告 |
| **L5: 医学情境** | 诊断分期、用药记录（何时吃了什么药）、既往发作规律 | 电子病历 / 护理者输入 |

### 🔍 其他领域的情境信息定义方式

| 领域 | 情境信息组成 | 你们可以借鉴的点 |
|------|------------|-----------------|
| **自动驾驶** | 道路、天气、其他车辆、驾驶员状态 | 多层次信息融合 + 不确定性推理 |
| **智能家居（AmI）** | 居住者活动、环境参数、用户偏好 | 个性化模型 + 习惯学习 |
| **医疗临床决策支持** | 患者病历、实验室检查、指南规则 | 知识图谱 + 规则推理 |
| **灾害应急** | 地理、资源、受灾情况、救援能力 | 分布式 agent 协作 + 实时更新 |


**Multi-Agent 情境推理架构示例：**

```
┌─────────────────────────────────────────────┐
│           Master Reasoning Agent            │
│   综合所有情境 → 输出判断 + 可追溯推理链      │
└─────────────┬───────────────────────────────┘
              │
   ┌──────────┼──────────┐
   │          │          │
┌──▼──┐  ┌───▼──┐  ┌───▼──┐
│生理  │  │行为  │  │医学  │
│Agent │  │Agent │  │Agent │
│      │  │      │  │      │
│HR↑   │  │步态稳 │  │今日  │
│EDA↑  │  │坐姿  │  │已服药│
└──────┘  └──────┘  └──────┘

推理示例：
输入：HR↑ + EDA↑ + 步态稳定 + 下午4点 + 今天家人来访
Agent推理链：
  1. 生理Agent: HR和EDA同时升高 → 交感神经激活
  2. 行为Agent: 步态稳定、无攻击性动作 → 非病理性运动
  3. 时间Agent: 下午4点，非日落综合征高发期
  4. 社会Agent: 家人来访事件 → 情绪刺激源
  5. Master: 综合 → "情绪激动（非病理），可能因家人来访"
  置信度: 0.82 | 推荐: 无需干预，继续监测
```

---

## 需求 4：BPSD 提前预警 + 个性化非药物干预

**文献支持：**

- **Iaboni et al. (2022)**：对 20 名痴呆患者使用 Empatica E4（EDA + BVP + 加速度计 + 皮肤温度），使用个性化 ML 模型检测激越（agitation），**个性化模型 AUC 达到 0.80-0.95**（远优于通用模型）
  - 来源: *Alzheimer's & Dementia: Diagnosis, Assessment & Disease Monitoring*
- **Frontiers in Neurology (2026)**：Scoping review 确认 EDA + HR + 加速度计组合在 BPSD 预警中最有前景，LSTM 模型在环境线索中表现最佳
- **关键发现**：个性化模型（每个患者单独训练）远优于通用模型 — 这与你们"个体化"的方案完全吻合

---

## 需求 5：语言功能深度评估

### 🔍 语音/语言分析的 App、软件和工作流

**现有工具和平台：**

| 工具/平台 | 类型 | 功能 | 特点 |
|----------|------|------|------|
| **Open Brain AI** | 开源平台 | 自动语音转写 + 多语言语言分析 | 支持多语言、分析话语宏观/微观结构 |
| **Winterlight Labs** | 商业平台 | 2分钟语音采集 → 500+ 语言特征提取 | 已获 FDA Breakthrough Device 认定 |
| **Novoic** | 商业 | 被动语音分析 → AD 早期检测 | 与药企合作，用于临床试验 |
| **Cookie Theft 任务** | 研究标准 | 看图描述任务，标准化语音采集 | 最经典的 AD 语言评估范式 |
| **ADReSS Challenge** | 学术竞赛 | 基于 Cookie Theft 的 AD 分类挑战 | 公开数据集，基线 AUC ~0.85 |
| **TAUKADIAL 2024** | 学术挑战赛 | **含中文数据**（261条中文 + 246条英文） | 对你们的中文场景直接相关！ |

### 🔍 论文中的典型工作流

```
┌──────────┐     ┌──────────┐     ┌───────────┐     ┌──────────┐     ┌──────────┐
│ 语音采集  │ ──→ │ 语音转写  │ ──→ │ 特征提取  │ ──→ │ 模型分类  │ ──→ │ 结果输出  │
│          │     │ (ASR)    │     │          │     │          │     │          │
│ 主动任务: │     │ Whisper  │     │ 声学特征: │     │ 传统ML:  │     │ 正常/MCI │
│ 看图描述  │     │ Google   │     │ MFCC,F0, │     │ SVM,RF,  │     │ /AD分类  │
│ 流利性测试│     │ Azure    │     │ jitter   │     │ XGBoost  │     │          │
│          │     │          │     │          │     │          │     │ 严重程度  │
│ 被动任务: │     │ 中文:    │     │ 语言特征: │     │ 深度学习:│     │ 评分     │
│ 日常对话  │     │ 百度/讯飞│     │ TTR,MLU, │     │ BERT,    │     │          │
│ 电话通话  │     │ Whisper  │     │ 停顿率,  │     │ Wav2Vec, │     │ 纵向趋势 │
│          │     │ large-v3 │     │ 信息密度  │     │ GPT      │     │          │
└──────────┘     └──────────┘     └───────────┘     └──────────┘     └──────────┘
```

**提取的关键语言特征：**

1. **声学特征**：基频（F0）、共振峰、MFCC、jitter/shimmer、语速
2. **流利性特征**：停顿频率/时长、犹豫标记（"嗯"、"那个"）、重复率
3. **词汇特征**：词汇多样性（Type-Token Ratio）、词频分布、造词错误（neologism）
4. **语义特征**：信息密度（Information Content Units）、语义连贯性、主题偏离
5. **句法特征**：平均句长（MLU）、句法复杂度、语法错误率
6. **语用特征**：话轮转换时间、回应适切性

**中文/方言的特殊挑战（也是差异化贡献）：**
- 中文没有英语的词形变化（morphology），语义特征更重要
- 方言 ASR 准确率低，需要针对性优化
- 中文的 Cookie Theft 等效任务需要文化适配
- TAUKADIAL 2024 中文数据集是目前最重要的参考

---

## 需求 6：表情识别

**文献支持：**
- AD 患者额叶受损 → 情绪调节能力下降 → 表情更"真实"（less masked）
- 这使得表情识别在 AD 患者中**比健康人更有效**（反常识但有病理学基础）
- 技术方案：FER（Facial Expression Recognition）模型 + 与 EDA/HR 融合的多模态情绪推理

---

## 需求 7：用药疗效连续监测

**方案已经很清晰，补充要点：**
- Lecanemab（仑卡奈单抗）治疗期间的 ARIA（淀粉样蛋白相关影像学异常）监测：头痛、头晕、步态不稳可通过可穿戴检测
- **临床转化价值极高**：抗 Aβ 药物 2024-2025 陆续上市，急需连续监测工具

---

## 需求 8：MCR（运动认知衰退）复合指标

### 🔍 MCR 的定义和评判标准

**正式定义（Verghese et al., 2013, 2014）：**

MCR（Motoric Cognitive Risk Syndrome）= **痴呆前综合征**，同时满足：

1. **步态速度慢**：低于同年龄、同性别人群均值 1 个标准差以下
2. **主观认知主诉**（Subjective Cognitive Complaints）：患者自我报告记忆或认知下降
3. **无痴呆**：不满足任何痴呆诊断标准
4. **无行动障碍**：能独立行走，无需辅助

**流行率：** 约 10%（老年人群），是 AD 的**独立预测因子**

**MCR vs MCI：**
| | MCR | MCI |
|---|---|---|
| 步态 | ✅ 慢（必须） | 不要求 |
| 主观认知主诉 | ✅ | ✅ |
| 客观认知测试 | 不要求 | ✅ 异常（必须） |
| 检测难度 | **低**（不需要神经心理测试） | 高（需要专业测试） |

 MCR 评估：
```
IMU → 步态速度（被动、连续）
      ↓
      与年龄/性别常模对比 → 是否"慢"？==
      ↓
语音 → 主观认知评估（通过对话分析或定期语音问卷）
      ↓
      是否有认知主诉？
      ↓
两者同时满足 → MCR 风险标记
```

**解决李医生的疑虑（"步态受小脑支配 ≠ 认知"）：**
- 李医生说得对：简单步态确实主要是小脑-脊髓通路
- 但 MCR 的关键是**步态变异性和双任务步态**：这需要前额叶-基底节环路参与
- MCR 之所以有效，正是因为它结合了运动（步态）和认知（主诉）两个独立维度
- 你们的系统用 IMU + 语音实现了"客观步态 + 主观认知"的融合 — 比传统 MCR 评估更便捷

**关键参考文献：**
- Verghese J et al. "Motoric cognitive risk syndrome: Multicenter incidence study." *Neurology*, 2014
- PMC10943500: MCR 认知标准的系统评估
- Lancet Regional Health Americas 2021: MCR 患病率与认知表现

---

## 需求 9：ADL 被动监测

**方案已清晰，补充：**
- IADL（工具性日常生活能力）比 BADL（基本日常生活能力）在早期更敏感
- IADL 包括：用手机、做饭、理财、出行 — 这些可以通过手机使用模式 + IMU 部分捕捉
- MCI → 轻度 AD 转化期，IADL 下降是关键分期指标（CDR 0.5 → 1.0）

---

## 📊 综合文献支撑总结

| 传感器 | 大规模验证文献 | 样本量 | AD阶段 | 关键结果 |
|--------|-------------|--------|--------|---------|
| **IMU（步态）** | Buracchio et al. 2010, Arch Neurol | 204人, 纵向 | Pre-MCI | 步速拐点在 MCI 前 12.1 年出现 |
| **IMU（步态）** | Sensors 2025 scoping review | 2010-2025文献 | MCI/AD | 步态分析是最有效的认知功能评估数字工具之一 |
| **PPG/睡眠** | Winer et al. 2019, Science | ~100人 | Pre-clinical | 深睡减少与 Aβ 沉积显著相关 |
| **语音** | TAUKADIAL 2024 Challenge | 507人(含中文) | MCI/AD | 语音特征分类 AUC 0.78-0.85 |
| **语音** | ADReSS Challenge 2020 | ~150人 | AD | 基于 Cookie Theft 的分类 AUC ~0.85 |
| **多模态** | Nature Medicine 2025 | **23,000+** | MCI | iPhone + Apple Watch 远程认知监测可行 |
| **EDA+HR** | Iaboni et al. 2022 | 20人 | 重度/BPSD | 个性化模型 BPSD 检测 AUC 0.80-0.95 |
| **HRV** | Collins et al. 2012 | 批量 | MCI/AD | HRV 降低与 AD 风险独立相关 |
| **综合** | npj Digital Medicine 2025 scoping review | 全面综述 | 全阶段 | 多维 digital biomarker + AI 模型全景 |

---

## 🎯 你们方案的核心创新点定位

1. **多模态融合 + Multi-Agent 推理**（目前绝大多数研究是单模态 + 简单 ML）
2. **情境感知的信号消歧**（解决"心率高到底为什么"这类临床真实问题）
3. **中文/方言环境**（极度空白的领域）
4. **社区筛查 → 临床转诊闭环**（对接国内痴呆防治计划）
5. **个体化纵向监测**（每个人是自己的对照，比群体常模更敏感）

---

*文档生成时间：2026-03-09*
*基于 PubMed / Nature / Frontiers / arXiv / medRxiv 等来源的文献检索*