一项发表于《美国医学会网络开放期刊》（可信来源）的最新研究，依托机器学习模型，分析超7000名受试者复杂的睡眠脑电波图谱，以此测算大脑年龄。
研究发现，相较于实际生理年龄，大脑衰老速度更快的人群，患上痴呆症的风险会有所升高。
过往针对睡眠时长、睡眠质量等宏观睡眠特征与健康关联的研究，得出的结论始终存在矛盾。
而本研究聚焦睡眠脑电波的细微差异，这类特征与大脑功能、痴呆患病风险的关联更为紧密。
加州大学旧金山分校精神病学副教授冷越博士，也是该研究的合著者，向《今日医学新闻》表示：
“这项研究证实，睡眠不仅能修复身体机能，更是窥探大脑健康的重要窗口。通过分析睡眠期间的脑部活动，我们可以判定一个人的‘大脑年龄’，进而知晓其大脑衰老速度是否超出正常范畴。”
另一合著者——澳大利亚墨尔本莫纳什大学马修·佩斯博士补充道：“本研究突破了睡眠阶段、睡眠效率等传统睡眠评估指标的局限，这类传统指标与痴呆风险的关联往往微弱且不稳定。研究借助更精细的脑电图微观波形数据，提炼出单一且易懂的评估指标。”
未参与此次研究的睡眠科专家克里斯托弗·艾伦医生对此解读：“该研究印证了一个观点——睡眠并非仅能反映大脑健康衰退状况，还可作为神经退行性疾病风险的早期可检测指标。”
同时艾伦提醒：“目前这项检测还无法单独作为确诊依据。后续还需在更多实际场景中验证该指标，明确这类睡眠生物标志物，如何与现有痴呆风险评估手段相辅相成，应用于临床诊疗。”
睡眠模式与痴呆风险
多项研究表明，睡眠不足、睡眠碎片化，会提升认知障碍与痴呆症的发病概率。
但仅依托总睡眠时间、睡眠质量、睡眠周期各阶段时长等整体、宏观睡眠数据的研究，始终无法明确睡眠模式与认知功能之间的稳定关联。
睡眠监测（多导睡眠监测）项目中，有一项核心内容就是借助脑电图检测脑电波。
脑电图会通过贴附在头皮的电极，捕捉数百万脑细胞的同步放电活动，脑细胞的协同活动会以电波、振荡波形的形式呈现。
脑电图还能划分睡眠各阶段时长，睡眠周期主要分为非快速眼动睡眠与快速眼动睡眠两大阶段。
非快速眼动睡眠包含浅度到深度睡眠的三个分期（N1、N2、N3），快速眼动睡眠阶段的脑部活跃度则更高。
脑电图虽能区分两大睡眠阶段，但深入分析数据后，还能发现大量差异化的细微脑电波图谱。
这些微观睡眠波形，能更全面地反映大脑功能与健康状态，部分波形特征已被证实和认知障碍风险相关。
由于海量细微脑电波图谱的解读难度极大，研究团队搭建机器学习模型，依托多项睡眠脑电图微观波形数据，换算出可量化的大脑年龄数值。
生理年龄、实际年龄与大脑健康
该机器学习模型的训练数据，取自大量18至80岁、无精神疾病及神经系统疾病人群的睡眠监测数据。
模型测算出的大脑年龄，能够直观对比受试者的睡眠特征，与同龄健康人群的差异。
人体机能与生理结构会随衰老出现损耗退化。实际年龄是客观周岁，生理年龄则体现身体机能与组织结构的老化改变。
每个人的生理衰老节奏各不相同，部分人生理衰老快于实际年龄，部分人则更慢。相比实际年龄，生理年龄能更精准评判机体功能，以及慢性病患病风险。
此前影像检测得出的大脑年龄，已被证实与痴呆风险相关。由此可见，依托睡眠脑电图测算的大脑年龄，有望成为更易普及的痴呆患病风险预判指标。
为验证睡眠脑电图特征与痴呆风险的关联性，研究团队首创大脑年龄指数，计算方式为脑电图测算大脑年龄减去实际生理年龄。
团队此前的临床研究已证实，大脑年龄指数越高，受试者患上痴呆症的风险越大。
大脑衰老与远期痴呆患病风险
本次研究进一步验证，大脑年龄指数能否脱离临床标准化环境，在普通社区人群中，成为痴呆风险的早期预警信号。
研究整合了7105名受试者的数据，这些受试者原本参与五项独立研究，相关研究聚焦心血管疾病、骨质疏松症的长期发病风险。
所有受试者均接受标准化居家多导睡眠监测，且纳入分析的人群，在睡眠检测阶段认知功能均处于健康水平。
研究团队通过定期随访，结合神经心理测试、医生临床诊断、痴呆相关用药及住院记录，判定受试者的认知健康状况。
研究人员利用成熟的机器学习模型，依据受试者的睡眠脑电图数据，核算其大脑年龄指数。
随访数据显示，大脑年龄指数每增加10岁，受试者罹患痴呆症的风险就会升高39%；即便剔除学历、运动量、年龄、性别等干扰因素，这一关联依旧成立。
此外，在校正基线认知水平、APOEε4基因带来的阿尔茨海默病遗传易感风险，以及中风、心血管疾病、睡眠呼吸暂停综合征等共存疾病因素后，大脑年龄指数仍与远期痴呆风险密切相关。
梅奥诊所神经内科医生戴维·琼斯未参与本次研究，他针对研究成果发表观点：
琼斯指出，此前有研究依托同款五组受试者数据，分析睡眠时间、睡眠分期时长等传统睡眠指标，并未发现这类指标与痴呆风险存在关联。
他表示：“宏观睡眠指标无法体现的规律，却能通过微观波形分析得出，这足以说明：大脑罹患神经退行性疾病的隐患，藏在睡眠的细微波形变化里，而非仅体现在整体睡眠特征中。”
研究结论是否适用于所有痴呆类型
这项研究的优势在于，纳入超7000名社区普通受试者，样本量大且人群覆盖面广；同时借助人工智能，将复杂的睡眠脑电图数据，转化为通俗易懂的大脑衰老评估结果。
耶鲁大学精神病学与神经病学助理教授阿尔曼·费沙拉基-扎德评价：“研究的核心亮点，是将机器学习算法合理应用于大规模人群数据，让睡眠脑电图的检测结果具备临床参考价值。”
他补充道：“这种无创检测技术落地临床的前景广阔。美国睡眠障碍患者基数庞大，每年睡眠监测案例繁多，该技术具备大规模推广的先天条件。”
琼斯也提到：“多导睡眠监测早已广泛应用于睡眠疾病诊疗，居家睡眠监测也愈发普及。”
“若该评估指标能适配穿戴式脑电图设备，便可打造一套可大范围推广、无创便捷的痴呆早期风险分层工具，与新兴的血液检测、影像类生物标志物形成互补。当然，还需进一步探明背后的生理机制，才能加快技术落地。”
同时该研究也存在局限性：五项原始研究中，痴呆症的诊断标准、随访周期并未统一。
琼斯提醒：“本次研究整合了所有类型的痴呆病例，暂时无法判定该评估指标，对阿尔茨海默病、路易体痴呆、血管性痴呆等不同亚型痴呆，是否具备同等预判价值，而这一差异对临床诊疗至关重要。”
他还强调，本研究属于观察性研究，无法证实加速大脑衰老的睡眠模式，是诱发痴呆症的直接诱因。