麻省理工学院开发的新模型可以预测未来两年的认知测验分数，从而帮助预测罹患阿尔茨海默氏病风险的患者是否会因该疾病而在临床上出现明显的认知下降。

该模型可用于改善临床试验的候选药物和研究对象的选择，到目前为止，这些方法迄今仍未成功。这也将使患者知道他们在接下来的几个月和几年中可能会经历快速的认知下降，因此他们和亲人可以做好准备。

在过去的二十年中，制药公司已经为阿尔茨海默氏症的研究注入了数千亿美元。然而，该领域一直遭受失败的困扰：根据美国药业研究与制造商2018年的一份报告，在1998年至2017年之间，有146种开发治疗或预防该疾病的药物的尝试均未成功。当时，仅批准了四种新药，仅用于治疗症状。目前正在开发90多种候选药物。

研究表明，将药物推向市场的更大成功可能归功于在症状明显之前就招募处于疾病早期阶段的候选人，这是治疗最有效的时候。麻省理工学院媒体实验室的研究人员在下周于医疗机器学习会议上发表的一篇论文中，描述了一种机器学习模型，该模型可以帮助临床医生针对特定的参与者群体进行研究。

他们首先在整个数据集上训练了一个“人群”模型，该模型包括临床意义重大的认知测试成绩和来自阿尔茨海默氏病患者以及健康人的两次生物统计学数据，这些数据是在两年一次的医生就诊之间收集的。该模型从数据中学习可以帮助预测患者在两次就诊之间进行的认知测验得分的模式。在新参与者中，为每个患者个性化的第二个模型会根据新记录的数据(例如最近一次就诊期间收集的信息)不断更新评分预测。

实验表明，可以预测未来六个月，十二个月，十八个月和二十四个月的准确预测。因此，临床医生可以使用该模型来帮助选择有风险的参与者进行临床试验，他们有可能表现出快速的认知能力下降，甚至可能在其他临床症状出现之前也是如此。尽早治疗此类患者可能有助于临床医生更好地追踪哪些抗痴呆药有效和无效。

媒体实验室研究员Oggi Rudovic说：“准确预测6到24个月的认知能力下降对于设计临床试验至关重要。”“能够准确预测未来的认知变化可以减少参与者必须进行的就诊次数，这可能既昂贵又耗时。除了帮助开发有用的药物外，目标是帮助减少临床试验的费用，使它们更经济实惠，并且规模更大。”

在论文上加入Rudovic的是：电气工程和计算机科学系的本科生Yuria Utsumi和研究生Kelly Peterson;伦敦帝国理工学院的里卡多·格雷罗和丹尼尔·鲁克特媒体艺术与科学教授，媒体实验室情感计算研究总监Rosalind Picard。