共计 1318 个字符，预计需要花费 4 分钟才能阅读完成。
面对日益严峻的老年痴呆症危机，宾夕法尼亚州立大学的研究团队正在开发一种全新的检测方法：利用人工智能分析语音模式，以期在传统手段尚无法察觉时，捕捉到阿尔茨海默病等神经退行性疾病的早期迹象。这项研究有望将认知护理从被动的疾病应对，转向主动的预防与干预。
根据阿尔茨海默病协会 2025 年的数据，美国目前有超过 700 万 65 岁及以上的老年人患有阿尔茨海默病。早期诊断对于延缓病情发展、改善患者生活质量至关重要。然而，现有的主流筛查工具——通常是纸质问卷——存在明显短板。
宾夕法尼亚州立大学工业与制造工程系的 Gary and Sheila Bello 讲席教授 Hui Yang 指出：“传统的痴呆症筛查工具主观性强、耗费资源，且对细微的认知变化缺乏敏感性。”与此同时，医疗系统正面临巨大压力：美国老年医学专家严重短缺，平均每 10,000 名老年患者才对应一名专科医生；长期护理机构也备受高员工流动率困扰。这些现实困境，凸显了对客观、高效、可大规模推广的筛查工具的迫切需求。
研究团队将突破口放在了人类语音上。Yang 教授解释称：“语音是人类产生的信息密度最高的行为之一。它需要协调记忆、注意力、语言、执行功能和运动规划——所有这些都是在神经退行性疾病早期就会受到影响的认知系统。”
这意味着，细微的语言变化，如用词选择、表达流畅度、句法复杂性等，可能成为认知衰退的早期生物标志物。而人工智能，尤其是先进的“代理型 AI”，正擅长从这些复杂模式中提取人耳难以察觉的信号。
与仅能对固定输入给出评分的传统 AI 模型不同，宾夕法尼亚州立大学团队采用的是“代理型 AI”。这种系统能够进行动态推理和自主适应。
团队中的工业工程博士候选人 Kevin Mekulu 阐述了其工作原理：“AI 代理不仅仅是给测试打分——它们会引导整个筛查互动过程，根据个人的实时回答动态调整后续的提示和问题。”这使得筛查从一个静态的“快照”，转变为一个能够反映认知过程如何展开的“动态影像”。
这种互动式分析，让 AI 能够更深入地探究语言特征，从而有望在传统神经心理学测试检出问题之前的数年，就识别出认知衰退的苗头。整个筛查流程设计为非侵入性，且能在约一分钟内完成。
团队的视野并未局限于语音分析。他们正在探索将 AI 的分析能力扩展到眼球运动、生理信号（如心率变异性）甚至运动行为模式。Mekulu 表示：“同时解读所有这些信号，能为临床医生提供一个更全面的视角，远远超越简单的‘通过 / 失败’二分法。”
其长远目标是打造一个智能系统，能够减轻医护人员的日常管理负担，自动突出显示有临床意义的模式，真正助力实现认知护理的“主动预防”转型。目前，研究团队正在辅助生活社区和记忆护理机构中验证这些方法，以期尽快整合到真实的临床工作流中。
这项研究成果已陆续发表在《阿尔茨海默病报告杂志》和《衰老神经科学前沿》等学术期刊上。在老龄化社会与专科医生短缺的双重挑战下，此类可扩展的 AI 解决方案，或许正为我们点亮了一条早期发现与干预认知衰退的新路径。
“语音是人类产生的信息密度最高的行为之一，需要协调记忆、注意力、语言、执行功能和运动规划——所有这些都是在神经退行性疾病早期就会受到影响的认知系统。”
—— Hui Yang，宾夕法尼亚州立大学教授
