基于眼动跟踪技术诊断阿尔茨海默病的Logistics回归模型的初步建立

作者：王立松; 宋佳琦; 吕洋^*

来源：陆军军医大学学报, 2023, 45(02): 102-110.

DOI：10.16016/j.2097-0927.202206109

• 眼球追踪技术
• 阿尔茨海默病
• 诊断模型

目的 初步构建基于眼动跟踪技术的阿尔茨海默病(Alzheimer’s disease, AD)诊断模型。方法 收集重庆医科大学附属第一医院老年科记忆门诊于2021年1-11月期间诊断为AD的患者113例，以及同期的认知正常体检者54例，应用眼动追踪技术对全部受试者进行眼动检查，测定静息态眼跳次数等共计5项指标。随机抽取70%病例(117例)分入训练集，剩余30%病例(50例)分入测试集。分析训练集病例注视眼跳次数等共计5项指标用于预测AD的价值，综合以上指标，再利用SPSS软件建立Logistic回归模型，使用ROC曲线评估模型的诊断效能，并在测试集中比较并验证模型对AD的诊断价值。分别将两组受试者间有显著性统计学意义的变量分别和自由延迟线索回忆(free and cued selective reminding test, FCSRT)、画钟试验(clock drawing task, CDT)、数字广度测试(digit span test, DST)和连线试验(trail making test, TMT)、听觉词语学习检测(auditory verbal learning test, AVLT)、波士顿命名测验(Boston naming test, BNT)的值进行相关性分析以探讨其可能的机制。结果 2组患者年龄、性别、受教育程度、注视眼跳次数、追随任务眼跳次数间的差异均无统计学意义。正向眼跳任务眼跳延迟时间、反向眼跳任务眼跳延迟时间、反向眼跳任务错误率间的差异均有统计学意义(P<0.001)。使用多因素Logistic回归构建包含了注视眼跳次数、反向眼跳任务延迟时间、反向眼跳任务错误率的预测模型，该模型预测AD的AUC在训练集和测试集中分别为0.913和0.964。试验组中反向眼跳延迟时间与FCSRT、TMT、AVLT测试分数呈负相关，反向错误率与FCSRT、CDT、AVLT、BNT测试分数呈负相关。结论 基于眼动跟踪技术检测指标构建的诊断模型对于AD的预测效果较好。

• 出版日期2023
• 单位重庆医科大学; 重庆医科大学附属第一医院