阿尔茨海默病(AD)是机动车事故的一个危险因素，与健康对照组相比，认知障碍患者发生事故的风险高达5倍。年龄越大，发生机动车事故的风险也越大。美国疾病控制与预防中心(CDC)报告称，2020年美国65岁以上人群中有7480人死于车祸(这是该年龄段受伤致死的第二大原因)。在同一年龄组中，有149,811例非致命伤害是由机动车事故造成的，与年轻人相比，这类伤害与老年人严重的健康后果有关。相反，停止驾驶与抑郁、死亡率增加、丧失独立性有关。了解驾驶行为是如何受到年龄和AD的影响，以延长驾驶能力，同时考虑老年司机和其他共享道路的人的安全是至关重要的。

华盛顿大学圣路易斯医学院神经学系Ganesh M. Babulal等调查了临床前阿尔茨海默病(AD)生物标志物和不良驾驶行为之间的关系。

使用车载数据记录仪从137名居住在社区的老年人(65岁以上)中收集的自然驾驶数据，用于建模随时间的驾驶行为。脑脊液(CSF)生物标志物被用于识别临床前AD个体。此外，在探索性分析中研究了AD的海马体积和认知生物标志物。

该研究表明,反映了CSF生物标志物（可预测AD风险增加）可预测不良驾驶行为的不同纵向轨迹。

具体地说,那些有更异常的Aβ42/ Aβ40比（表明为临床前AD）意味着随着时间的推移，驾驶风险增加,而生物标志物比在健康范围内的情况则正好相反。

不良驾驶事件预测概率随时间变化模式。线代表不同的淀粉样蛋白(Aβ)42 / Aβ40比率,并显示出影响不良驾驶行为轨迹的明显增加病理模式(较低比率)。

时间、海马体积和生物标志物状态与驾驶危险性关联性。

该研究表明AD的脑脊液生物标记物预测驾驶行为的不同变化模式。带有AD脑病理生物标志物的老年司机，随着时间的推移，不良驾驶行为增加，而AD生物标志物水平正常的司机，这些行为减少。这一发现补充了先前研究中报告的与年龄相关的发现，扩展并解释了与不良驾驶行为的基线差异相关的发现，并阐明了哪些行为变化可能为机器学习分析提供信息，以区分基于大量自然驾驶变量的生物标志物组。重要的是，对驾驶变量和认知的额外分析证实，这些差异不能完全用驾驶行为的其他更全面的变化来解释，因为这些额外的分析都没有揭示纵向交互效应的相同模式，可能与从临床前到症状性AD的进展有关，这是基于驾驶和生物标志物状态之间的联系。进一步的研究需要充分探索何时和为什么在不利的驾驶行为中出现这些变化,以及他们是否会明显更常见。对潜在机制的更深入的了解可能有助于早期筛查。

综上所述，随着时间的推移，临床前AD与不良驾驶行为的增加有关，这些行为不能用认知变化来解释。驾驶行为作为一种功能性的神经行为标记物，可作为临床前AD下降的早期检测。随着老年司机年龄的增长，筛查也有助于延长安全驾驶时间。

原文出处

Doherty JM, Murphy SA, Bayat S, et al. Adverse driving behaviors increase over time as a function of preclinical Alzheimer's disease biomarkers [published online ahead of print, 2022 Nov 23]. Alzheimers Dement. 2022;10.1002/alz.12852. doi:10.1002/alz.12852