問卷怎麼答，也可能透露認知風險：跨五國AI模型通過中國資料驗證

認知障礙常在症狀影響日常生活後才被發現，資源不足的地區尤其難以大規模安排專業評估。一項刊於《Nature Communications》的研究提出另一條路徑：不增加腦部掃描或抽血，而是從長者填寫例行心理社會問卷時呈現的作答品質與行為模式，辨識哪些人較需要進一步接受認知檢查。

研究團隊整合美國、英格蘭、印度、墨西哥與中國五個人口老化世代研究，共45,604名長者的資料，建立以表格型基礎模型為核心的機器學習流程。這類模型處理的是以列、欄整理的結構化資料，而非影像或自由文字；輸入重點也不是某一題答了什麼，而是問卷作答過程中可量化的低品質反應訊號及相關背景變項。

跨國訓練帶來了最具體的結果。模型先以美國、英格蘭、印度與墨西哥資料共同訓練，再交由未參與訓練的中國世代資料驗證；與各國分別建立的模型相比，受試者工作特徵曲線下面積最多提高0.12，研究團隊換算為約20%的相對增益。這項外部驗證顯示，來自不同文化與調查環境的資料可能補足單一世代欠缺的預測訊號。

研究也描述一種「隱性特徵轉移」現象：即使某個世代缺少部分預測欄位，與擁有這些欄位的其他國家資料共同訓練後，仍可能改善辨識能力。決策曲線分析則顯示，若將模型用於人口層級的風險排序，在五國資料中都有潛在淨效益。實際用途因此較接近分流工具——協助社區或公共衛生系統優先邀請高風險者接受正式評估——而不是直接判定誰患有失智症。

這道界線相當重要。研究使用既有世代資料進行建模與驗證，尚未證明把系統放進真實醫療流程後能縮短診斷延誤、改善健康結果或避免不必要檢查；曲線下面積的提升，也不能直接等同於臨床上可接受的偽陽性與偽陰性比例。問卷表現還可能受到教育程度、語言、文化習慣、疲勞、視聽障礙與訪員協助方式影響，若校準不當，風險排序反而可能放大既有差距。

在投入常規使用前，模型仍需接受前瞻性驗證，並針對不同社群設定清楚的轉介門檻、資料治理與人工覆核機制。若系統開始影響個人的檢查資格或醫療資源分配，監管單位也須釐清其醫療器材定位、責任歸屬及公平性要求。這項研究的價值，在於把原本容易被忽略的問卷行為轉化為低負擔的初步訊號；它提供的是一張更早展開評估的候選名單，而不是診斷答案。