我们的出生日期并不总是与大脑的实际年龄相符。大脑的真实年龄取决于我们的生理年龄，而生理年龄是由细胞随着时间推移而经历的损耗决定的。遗传、环境因素和生活方式的选择都会影响我们身体各个组成部分的年龄。生理年龄高于实际年龄可能意味着罹患与年龄相关的疾病和健康问题的风险增加。
最近一项涉及 7105 名 18 岁及以上成年人的睡眠脑电图 (EEG) 研究（这些成年人在研究开始时都没有痴呆症）发现了一些惊人的现象：脑龄指数(BAI) 每增加 10 年，患痴呆症的风险就会增加约 39%。
他们发现，即使在考虑了其他主要风险因素（例如实际年龄、性别、生活方式和载脂蛋白E ε4状态——一种已知的阿尔茨海默病和痴呆症遗传易感性标志物）之后，大脑年龄仍然是一个独特的预测指标。该研究结果发表在《美国医学会杂志网络公开版》（JAMA Network Open）上。
利用人工智能放大观察睡眠状态下的大脑信号
随着时间的推移，痴呆症和阿尔茨海默病的诊断数量持续上升，而随着全球人口老龄化，预计这一数字还会继续增长。除了适当的治疗外，寻找合适的生物标志物来检测和预测神经退行性疾病已成为当务之急。
许多研究已将睡眠障碍视为痴呆症的早期指标和潜在的可控风险因素。然而，诸如总睡眠时间和睡眠效率等标准睡眠指标与痴呆症风险之间的关联性较弱且不一致，汇总研究也未发现明确的关联。
本研究的研究人员考察了一种新的睡眠指标：基于脑电图的BAI评分。他们旨在了解基于睡眠的BAI评分是否能够帮助预测居住在社区的老年人患痴呆症的风险。
所有队列中实际年龄与基于睡眠脑电图（EEG）的脑年龄的散点图。图片来源：JAMA Network Open (2026)。DOI：10.1001/jamanetworkopen.2026.1494
研究团队并没有仅仅将睡眠脑电图用于测量睡眠质量，而是重新利用这项技术来研究脑电波的微观细节，包括其在不同睡眠阶段的速度和结构。他们收集了参与五项大型长期社区健康研究的成年参与者的脑电图数据。
这些数据随后被输入到一个机器学习模型中，该模型旨在分析模式并估算人的年龄。该模型使用来自健康人群的脑电图数据进行训练，以便学习不同年龄段和睡眠阶段的健康大脑活动在睡眠期间的特征。
经过训练后，该系统能够根据睡眠期间的脑电活动预测人的年龄。研究团队将脑年龄指数（BAI）定义为脑电图预测的脑年龄与实际年龄之差。如果人工智能估计的年龄大于实际年龄，则表明BAI值较高，提示大脑衰老速度快于预期。
较高的 BAI 与未来患痴呆症的风险增加有关，这种关系在涉及数千名参与者的五项大型研究中仍然很强，对男性和女性以及 70 岁以下和 70 岁以上的人都同样适用。
研究人员对所有五组参与者进行了约3年至近17年的随访，以便追踪最终患上痴呆症的人群。他们发现，在随访期间共有1082人患上痴呆症——其中男性702人，女性380人。
研究结果表明，基于可解释的脑电波模式的脑电图BAI可以提供一种便捷的方法，在症状出现前数年识别出有患痴呆症风险的人群。
在临床应用之前，必须对 BAI 进行进一步研究，以确定其作为痴呆症预测生物标志物在不同人群以及存在精神疾病和合并症等竞争风险的个体中的相关性。
参考文献：
Haoqi Sun et al, Machine Learning–Based Sleep Electroencephalographic Brain Age Index and Dementia Risk, JAMA Network Open (2026). DOI: 10.1001/jamanetworkopen.2026.1521
Omonigho M. Bubu, Sleep Electroencephalography Brain Age—A Window Into Incident Dementia Risk, JAMA Network Open (2026). DOI: 10.1001/jamanetworkopen.2026.1494
编辑：王洪
排版：李丽
评论 (0)