□郑州大学第一附属医院 神经与精神医学部 高远 袁艳鹏

血管性认知障碍（vascular cognitive impairment，VCI）作为认知障碍类疾病的重要类型，因其与脑血管病变紧密相关的特性，逐渐受到广泛关注。VCI不仅严重影响患者的生活质量，给家庭带来沉重负担，也对社会医疗资源造成巨大压力。因此，探寻有效的预测预警手段，实现早发现、早干预，成为医学领域的研究重点。

什么是血管性认知障碍

血管性认知障碍是由脑血管病变及其危险因素引发的，涵盖从轻度认知障碍到痴呆的一系列认知功能损害综合征。其病因多样，包括脑梗死、脑出血、脑小血管病等脑血管事件，以及高血压、高血脂、糖尿病、动脉粥样硬化等常见危险因素。这些因素可导致脑部血管受损，影响血液供应和神经传导，进而引发认知障碍。

与阿尔茨海默病等其他认知障碍不同，VCI往往急性起病，病情波动或呈阶梯式进展，执行功能障碍较为突出，部分患者还伴有神经系统局灶性症状，如肢体无力、言语不清等。据统计，在我国60岁及以上人群中，血管性痴呆患病率达1.6%，而VCI的实际患病率可能更高，且随着年龄增长显著上升。

郑州大学第一附属医院神经与精神医学部医生为门诊就医患者解释病情

预测预警的重要性

早期识别VCI对于延缓疾病进展、改善患者预后至关重要。在VCI的轻度阶段，及时采取干预措施，如控制血压、血糖、血脂，改善生活方式，进行认知训练等，有可能阻止或延缓病情向痴呆阶段发展，显著提高患者的生活自理能力和生活质量，减轻家庭和社会的照料负担。同时，早期干预还能降低医疗成本，减少因疾病加重导致的住院次数和长期护理需求。

在VCI早期进行有效干预，可使疾病进展速度显著减缓，这充分凸显了预测预警的巨大价值。

预测预警新进展

◎多模态神经影像技术的突破

磁共振成像（MRI）的深入应用 高分辨率MRI能够清晰显示脑部微小血管病变和脑组织细微结构改变。例如，通过弥散张量成像（DTI）可检测脑白质纤维束的完整性，在VCI患者中，常能发现脑白质纤维束的断裂、稀疏，这与认知功能下降密切相关。而功能MRI（fMRI）则可监测大脑在执行认知任务时的功能活动变化，VCI患者大脑特定区域（如额叶、颞叶等）的功能激活模式与正常人存在显著差异，这些差异可作为早期预测的重要依据。此外，基于MRI的脑灌注成像能反映脑部血流灌注情况，发现局部脑血流减少区域，为评估脑血管病变对认知功能的影响提供关键信息。

磁共振血管造影（MRA）的创新发展 最新研究利用自动定量分析方法，对MRA图像中的脑动脉形态特征进行精准测量，包括狭窄评分、长度、相对长度、扭曲角度和最大偏差等。结果发现，右侧大脑中动脉（RMCA）和左侧大脑后动脉（LPCA）狭窄≥50%、左侧颈内动脉（LICA）的最大偏差以及右侧颈内动脉（RICA）和左侧颈内动脉（LICA）的扭曲角度等，均与脑血管疾病相关认知障碍（CI-CVD）的发生风险密切相关。通过建立临床-形态学-影像组学模型，可有效预测VCI的发生。该模型在训练集和外部测试集中均展现出较高的准确性，为早期预警提供了有力工具。

PET-CT的独特价值 正电子发射断层扫描（PET）结合计算机断层扫描（CT）技术，可检测大脑特定分子的代谢变化。在VCI研究中，PET-CT通过检测大脑葡萄糖代谢、神经递质受体分布等指标，发现VCI患者大脑某些区域（如海马体、前额叶皮质）的葡萄糖代谢率降低、神经递质系统功能异常。这些改变早于认知功能下降的临床表现，有助于早期发现VCI高危个体。

◎血液生物标志物的探索突破

脑血管内皮细胞外囊泡（CEEVs）的发现 俄克拉荷马大学医学院的研究团队首次在认知障碍研究中关注到CEEVs。当血管内壁受损时会分泌CEEVs，且患有轻度认知障碍的人大脑中的CEEVs数量显著多于大脑健康衰老的人。同时，MRI图像证实，CEEVs水平较高的人存在更多的缺血性损伤，即大脑中的小血管血液供应不足。这表明CEEVs有望成为预测VCI发生的新型血液生物标志物，为早期诊断提供新的检测靶点。

炎症因子与氧化应激标志物 炎症反应和氧化应激在VCI的发病机制中起重要作用。研究发现，血液中CRP、TNF-α等炎症因子水平升高，以及丙二醛（MDA）等氧化应激标志物含量增加，与VCI的发生发展密切相关。动态监测这些指标的变化，可评估患者病情进展风险，辅助预测VCI的发生。例如，在一项针对高血压患者的长期随访研究中，CRP和MDA水平持续升高的患者，发生VCI的风险是指标正常患者的3~5倍。

微小核糖核酸（miRNA）的潜在价值 miRNA是一类内源性非编码的小分子RNA，参与基因表达调控。近期研究发现，某些miRNA（如miR-101-3p等）在VCI患者血液中的表达水平异常。以动脉粥样硬化患者为例，其外周血外泌体中miR-101-3p水平与动脉粥样硬化斑块进展及血管性认知障碍风险相关，通过检测该miRNA水平，有可能实现对VCI的早期预警和风险评估。

◎机器学习与人工智能助力预测模型构建

无监督机器学习模型的应用 国内研究团队基于长期、多中心随访的皮质下缺血性脑小血管病（SIVD）队列，利用无监督机器学习建模。他们综合患者的临床信息、神经心理测评及多模态核磁影像数据，发现基于DTI+fMRI组合模型预测认知障碍发生的准确性、敏感性和特异性分别达86.03%、79.52%和96.23%，远高于现有方法。在外部队列验证研究中，该模型表现依然稳定，为临床预测皮质下脑小血管病患者发生认知障碍提供了高效、可靠的工具。

深度学习算法的优势 深度学习算法能够对大量复杂的医学数据进行自动特征提取和模式识别。在VCI预测中，通过对多模态影像数据（MRI、MRA等）、临床数据（病史、症状、体征等）和生物标志物数据的深度学习分析，可构建更为精准的预测模型。例如，利用卷积神经网络（CNN）对脑部MRI图像进行分析，能够自动识别与VCI相关的特征，结合患者临床信息，预测VCI发生风险，其准确性和效率均优于传统方法。这种智能化的预测模型有望在临床广泛应用，提高VCI早期诊断的及时性和准确性。

展望未来

随着医学科技的飞速发展，血管性认知障碍的预测预警研究取得了令人瞩目的新进展。多模态神经影像技术、血液生物标志物以及机器学习与人工智能等领域的突破，为我们早期识别VCI高危个体、精准预测疾病发生提供了有力手段。然而，目前的研究仍存在一些局限性，如部分生物标志物的特异性和敏感性有待进一步提高，预测模型在不同人群中的普适性还需更多验证等。

未来，需要进一步加强多学科交叉合作，整合医学、生物学、计算机科学等领域的前沿技术，深入研究VCI的发病机制，优化现有预测预警方法，开发更多特异性强、敏感性高的生物标志物和精准高效的预测模型。同时，应将这些研究成果积极转化应用于临床实践，提高基层医疗机构对VCI的早期诊断能力，加强公众健康科普教育，提高对VCI的认知和重视程度，从而实现对血管性认知障碍的有效防控，守护广大人群的大脑健康。