睡眠腦波可預測失智症？機器學習「大腦年齡指數」讓早期風險篩查成真
圖靈學院編輯部
2026-3-25
睡眠腦波暗藏失智警訊——機器學習如何讀懂你的大腦年齡
你的大腦可能比你的實際年齡老十歲，而這個祕密就藏在你每晚的睡眠腦波裡。2026年3月19日，《JAMA Network Open》刊出一項重要研究。來自哈佛、加州大學舊金山分校、貝斯以色列女執事醫學中心等機構的科學家，聯合分析了五個大型社區世代研究的睡眠數據，共涵蓋7105名受試者。結果顯示：透過睡眠腦電圖（EEG）計算出的「大腦年齡指數」（Brain Age Index，BAI），每高出10歲，未來罹患失智症的風險就上升39%。這項發現，讓睡眠腦波從診斷輔助工具，正式踏入失智症早期風險標記的行列。
什麼是「大腦年齡指數」？
BAI的概念並不複雜。機器學習模型先從健康成年人的睡眠腦波中，學習「正常的大腦隨年齡老化的模式」，再將模型套用到受測者身上，估算出一個「腦波年齡」。這個腦波年齡減去實際年齡，就是BAI。BAI為正值，代表大腦比身份證年齡老；BAI為負值，代表大腦比較年輕。數字本身是一個連續量，不是非黑即白的診斷標籤。研究團隊並非把睡眠腦波當作黑盒子丟進模型。他們從腦波中提取了13個可解釋的生理特徵，包含：
- 睡眠紡錘波密度（spindle density）。
- 紡錘波與慢波的耦合重疊率（spindle-SO coupling overlap）。
- N1、N2、N3各睡眠期的頻段功率與峰態係數（kurtosis）。
- 波形峰態係數（waveform kurtosis）——反映K複合波活動。
這些特徵輸入模型後，產生一個加權總和，輸出腦波年齡。整個過程透明、可追溯，不是傳統深度學習的不可解黑盒。
五個世代、7105人、最長追蹤近17年
這項研究的設計本身就值得關注。研究團隊採用「個體參與者數據整合型統合分析」（Individual Participant Data Meta-Analysis，IPD Meta-Analysis），直接彙整五個世代研究的原始個人資料，而不是單純合併各研究的統計摘要數字。這種做法可以更精細地控制各世代之間的協變量差異。
五個納入世代分別為：
- MESA（多族裔動脈粥樣硬化研究）：1802人，平均年齡69.3歲，族裔多元，包含亞裔、黑人、西語裔與白人。
- ARIC（社區動脈粥樣硬化風險研究）：1796人，平均年齡62.5歲，全為白人，追蹤時間最長，中位數達16.9年。
- FHS-OS（弗雷明漢心臟研究後代世代）：617人，平均年齡59.5歲。
- MrOS（男性骨質疏鬆骨折研究）：2639名男性，平均年齡76歲。
- SOF（骨質疏鬆骨折研究）：251名女性，平均年齡82.7歲。
所有參與者在進行睡眠多項生理監測（PSG）時，均未罹患失智症。研究期間，共有1082人被確診為失智症。
核心發現：風險上升39%，且獨立於其他危險因子
統計模型採用Fine-Gray次分佈風險模型，以死亡作為競爭風險加以控制。在僅調整年齡與性別的基礎模型中，BAI每增加10年，失智症風險上升39%（風險比HR = 1.39，95% CI = 1.20–1.60，P < .001）。在進一步調整教育程度、BMI、種族、吸菸狀況、睡眠用藥、身體活動量等協變量之後，結果幾乎不變（HR = 1.39，95% CI = 1.21–1.59）。
更重要的是，研究還做了一連串敏感性分析：控制認知功能與共病之後，結果稍微衰減但仍然顯著（HR = 1.31，95% CI = 1.14–1.50）。這代表BAI與失智症風險的關聯，不只是因為BAI高的人本來認知就差、或慢性病比較多。控制APOE ε4基因型之後，關聯同樣維持（HR = 1.22，95% CI = 1.02–1.45）。APOE ε4是目前已知最強的阿茲海默症遺傳風險因子。BAI在控制這個基因標記之後仍有獨立預測力，說明它所反映的風險維度，不單只是基因易感性。分年齡分析：70歲以下族群的HR為1.43，70歲以上為1.34。兩組均達統計顯著，效果量相近，顯示BAI的預測力不局限於高齡族群。分性別分析：女性HR為1.65，男性HR為1.25，兩者均顯著。女性分析中異質性較高，部分源自MESA世代的特性，排除MESA後，女性的HR進一步上升至1.86。
哪些腦波特徵最關鍵？
研究深入解析13個腦波特徵與失智症的個別關聯，其中10個達顯著水準。統計顯著性最高的單一特徵是N2期波形峰態係數（HR = 0.86 per 1 SD，P < .001）。這個係數越高，代表腦波振幅分佈的尾巴越厚，也就是高振幅事件越多——研究團隊認為這反映的是K複合波活動。K複合波是N2期特有的大型腦波事件，與記憶鞏固和睡眠維持有關，隨著大腦老化或病理改變而減少。N2與N3期的多數特徵，均與失智症風險呈負相關：這些特徵的數值越低，失智症風險越高。唯一的例外是N1期的α頻段功率，它與失智症風險呈正相關：N1期出現越多α波活動，風險越高，這可能反映了睡眠啟動困難或淺眠的神經生理機制。睡眠紡錘波的角色特別值得關注。紡錘波由視丘網狀核驅動，與海馬迴和新皮質之間的記憶鞏固傳遞密切相關。過去的研究已顯示，阿茲海默症患者的腦脊髓液tau蛋白濃度升高、澱粉樣蛋白沉積增加，都與紡錘波活動的改變有關。本研究再度驗證：紡錘波密度下降與紡錘波-慢波耦合率降低，均是失智症風險的獨立預測因子。
這項研究的意義與限制
這篇論文的貢獻在於，它將BAI從橫斷面的臨床研究推進到縱貫性的社區族群研究，並且在追蹤時間長達3.6至16.9年的條件下，維持穩健的預測力。傳統的睡眠宏觀結構指標——N1、N2、N3、REM各期的時間比例、睡眠效率、入睡後清醒時間等——在同一批世代研究中已被驗證無法預測失智症。BAI改用微觀結構特徵，提供了傳統指標所遺漏的神經生理信號。然而，這項研究有幾個限制值得正視。
第一，五個世代的失智症判定方式不一致。MESA主要依賴住院ICD碼，敏感度有限；SOF只在睡眠研究後約4至5年進行一次認知評估，時間點的精確性較低。研究團隊透過隨機效果模型與敏感性分析來處理這些差異，各項分析結果均保持一致。
第二，這是觀察性研究，無法建立因果推論。BAI高，究竟是因為睡眠問題本身損害了大腦，還是因為早期神經病理變化已經先破壞了睡眠結構，目前數據無法回答。
第三，BAI是複合指標，本身不是治療標靶。研究者明確指出：當BAI偏高時，下一步是分析是哪些具體的腦波成分在驅動這個偏差，再評估這些成分背後的神經生理機制是否具有介入的可能性。
第四，這項研究的腦波數據來自在家進行的標準多項生理監測，尚未在可穿戴式裝置上驗證。從臨床實用性的角度來看，未來若能在消費級頭帶或耳機等設備上重現同樣的結果，才能真正落地為大規模篩查工具。
對未來的啟示
研究者提出了幾個值得繼續追蹤的方向。其一，BAI的動態追蹤。如果能縱貫性地監測一個人的BAI隨時間的變化軌跡，當軌跡出現加速老化的折點時，或許就是啟動更積極認知評估的信號。其二，BAI作為臨床試驗的富集工具。失智症預防試驗最大的挑戰之一，是如何在一個普通成人社區中找出真正處於高風險的受試者。BAI若能有效識別高風險族群，就能降低試驗樣本數、縮短追蹤時間，提高試驗效率。其三，BAI與其他生物標記的整合。目前失智症早期偵測的前線工具，包含血漿磷酸化tau蛋白、Aβ42/40比值、神經絲蛋白輕鏈，以及PET澱粉樣蛋白掃描。睡眠EEG所反映的神經生理老化維度，與這些分子與影像標記提供的信息，理論上是互補而非重疊的。多模態整合，才是未來失智症風險分層的方向。
結語
這篇研究讓一件事情變得更清楚：睡眠不只是休息，更是大腦狀態的一扇窗。每晚的腦波活動，尤其是深眠期的紡錘波、K複合波、慢波特性，正在默默記錄大腦的老化速度。機器學習讓我們第一次有辦法把這些複雜的多維信號，壓縮成一個有意義的數字，並且在失智症確診的十幾年前，就看出風險的端倪。這不代表BAI明天就會出現在你的健檢報告裡。但它代表一個清楚的研究方向：非侵入性、低成本、能在家進行的睡眠監測，可能成為失智症早期風險管理的標準配備。當你下次準備入睡，你的大腦正在以它自己的語言說話。問題只是我們有沒有辦法聽懂。
參考文獻：
Sun H, Milton S, Fang Y, et al. Machine Learning–Based Sleep Electroencephalographic Brain Age Index and Dementia Risk: An Individual Participant Data Meta-Analysis. JAMA Network Open. 2026;9(3):e261521. doi:10.1001/jamanetworkopen.2026.1521
