ИИ научился замечать когнитивные нарушения по тому, как человек заполняет анкеты

Пропущенные вопросы, противоречивые ответы и необычные закономерности могут рассказать о состоянии мозга больше, чем кажется

Когда обычная анкета превращается в источник информации о мозге

Представьте, что пожилой человек заполняет опросник о своём самочувствии, отношениях с окружающими или удовлетворённости жизнью.

Вопросы не связаны с проверкой памяти. Никто не просит запомнить список слов, нарисовать часы или выполнить арифметические задания.

Однако человек пропускает некоторые пункты, выбирает неожиданно противоречивые варианты или отвечает так, что последовательность его ответов существенно отличается от типичной.

Обычно подобные особенности рассматривают как недостатки анкетирования. Исследователь получает неполные или противоречивые данные и вынужден учитывать возможные ошибки.

Но авторы исследования, опубликованного 28 июля 2026 года в Nature Communications, предложили другой взгляд: сама структура ответов может содержать дополнительную информацию о когнитивном состоянии человека.

В исследовании участвовали специалисты Университета Суррея и Университета Южной Калифорнии вместе с коллегами из других научных организаций.

Они проанализировали данные 45 604 человек в возрасте от 65 лет из пяти стран: США, Англии, Индии, Мексики и Китая.

Для анализа использовались 29 психологических и социальных опросников, применявшихся в крупных исследованиях старения населения. В общей сложности учёные получили более 176 тысяч наблюдений, соответствующих заполнению отдельных анкет участниками.

Задача состояла не в том, чтобы определить болезнь по конкретному ответу, а в том, чтобы выяснить, связаны ли особенности заполнения анкет с результатами оценки памяти, внимания, мышления и других когнитивных функций.

Какие особенности ответов оказались наиболее информативными

Исследователи выделили семь показателей так называемого низкого качества ответов — Low-Quality Response, или LQR.

Это технический термин. Он не означает, что человек не старается, намеренно ошибается или неправильно понимает вопросы.

Речь идёт об измеримых отклонениях от ожидаемой структуры ответов.

Среди анализируемых признаков были:

• Пропущенные пункты — доля вопросов, на которые участник не ответил.
• Крайние варианты — склонность выбирать ответы вроде «всегда» или «никогда».
• Внутренняя несогласованность — ответы, которые плохо соответствуют общей логике остальных ответов человека.
• Нетипичные комбинации — необычные последовательности вариантов, редко встречающиеся среди других участников.
• Нарушения ожидаемого порядка — случаи, когда ответы не соответствуют предполагаемой иерархии утверждений.

Дополнительные статистические показатели оценивали, насколько индивидуальная структура ответов согласуется с моделью, описывающей закономерности заполнения опросника.

Особенно значимыми для прогноза оказались пропущенные вопросы, необычные комбинации и внутренняя несогласованность.

При этом разные страны демонстрировали несколько различающиеся закономерности. Например, в Англии, Мексике и китайской проверочной выборке наиболее значимым показателем была доля пропущенных пунктов. В США и Индии большую роль играли нетипичные комбинации ответов.

Это важное наблюдение: алгоритм не обнаружил одного универсального признака, который одинаково хорошо работает в любой ситуации.

Информативность возникала из сочетания нескольких характеристик.

Почему когнитивные нарушения могут проявляться без проверки памяти

Чтобы ответить даже на сравнительно простой вопрос, мозгу необходимо выполнить несколько операций.

Сначала нужно понять формулировку. Затем удержать её смысл, сопоставить с собственным опытом, выбрать подходящий вариант и сохранить согласованность с предыдущими ответами.

В этом участвует не только память.

Необходимы внимание, способность управлять последовательностью действий и исполнительные функции — механизмы, позволяющие планировать, контролировать поведение и переключаться между задачами.

Поэтому обычная анкета тоже создаёт определённую когнитивную нагрузку.

Если некоторые из этих функций работают менее эффективно, особенности заполнения анкеты теоретически могут изменяться раньше, чем проблема станет очевидной окружающим.

Однако последнее предположение ещё нельзя считать доказанным механизмом ранней диагностики. Исследование прежде всего установило статистическую связь между характеристиками ответов и когнитивным состоянием.

Здесь обнаружилась ещё одна любопытная закономерность.

Опросники с более сложными формулировками нередко обеспечивали лучшую прогностическую способность модели.

Возможное объяснение состоит в том, что сложные вопросы требуют большего участия рабочей памяти и внимания. Рабочая память — это способность временно удерживать информацию и использовать её для выполнения текущей задачи.

Получается своеобразный парадокс: анкета, предназначенная для изучения психологического состояния или социальных отношений, одновременно может создавать небольшую нагрузку на когнитивную систему.

И именно реакция на эту нагрузку становится дополнительным источником информации.

Что показали 45 604 участника и насколько точным оказался ИИ

Для разработки модели исследователи объединили данные четырёх стран — США, Англии, Индии и Мексики.

Затем проверили, насколько хорошо полученные закономерности переносятся на китайскую выборку, которая не использовалась для основного обучения модели.

Вначале учёные оценивали прогностическую ценность только характеристик заполнения анкет.

Средняя площадь под ROC-кривой (AUROC) составляла 0,67 на данных четырёх стран.

AUROC — показатель способности алгоритма различать людей из двух групп. Значение 0,5 соответствует случайному угадыванию, а 1,0 — идеальному разделению групп.

Результат 0,67 указывает на наличие полезного сигнала, но сам по себе не свидетельствует о высокой диагностической точности.

Когда исследователи добавили возраст, пол, образование и язык анкеты, средний AUROC достиг 0,77.

После включения дополнительных сведений о повседневной деятельности, например использовании электронной почты или управлении автомобилем, показатель улучшился до 0,82 на совокупности четырёх стран.

Важно: AUROC 0,82 не означает, что алгоритм правильно ставит диагноз в 82% случаев. Это другая статистическая характеристика, и по ней нельзя напрямую определить количество ошибочных заключений при конкретном пороге риска.

Самый интересный результат появился при проверке модели на китайских данных.

Обучение одновременно на нескольких странах давало преимущество перед моделями, разработанными для отдельных стран. В китайской выборке прирост AUROC составлял 0,09-0,12 пункта, или приблизительно 14-20% относительно соответствующих национальных моделей.

Иными словами, разнообразие обучающих данных помогло алгоритму обнаруживать закономерности, которые сохраняются при изменении языка и культурной среды.

Почему ИИ оказался полезнее, когда учился на разных странах

Обычно медицинские алгоритмы создают на данных одной системы здравоохранения или одной страны.

Это может становиться проблемой при переносе технологии в другую популяцию.

Образование, особенности языка, принятые формы общения и привычки заполнения документов различаются. Поведение, которое выглядит необычным в одной стране, может быть вполне обычным в другой.

В новом исследовании объединение международных данных позволило модели лучше учитывать такие различия.

Более того, учёные обнаружили эффект, который назвали неявным переносом признаков между странами.

Например, сведения об использовании интернета, электронной почты и управлении автомобилем были доступны только для американской и английской когорт.

Но включение этих данных при совместном обучении улучшало прогнозы и для участников из других стран, где соответствующие сведения вообще не собирали.

Это не означает, что алгоритм каким-то образом восстановил неизвестные ответы.

Скорее, совместное обучение помогло ему извлечь дополнительные статистические закономерности из взаимосвязей разных признаков.

Для систем здравоохранения с ограниченными ресурсами такой результат потенциально интересен: полезная прогностическая модель не обязательно должна требовать одинаково подробного набора данных во всех странах.

Почему плохое заполнение анкеты ещё не говорит о деменции

Здесь необходимо провести принципиальную границу между исследовательским результатом и медицинской диагностикой.

Пропущенный вопрос не является симптомом болезни Альцгеймера.

Противоречивые ответы тоже не означают, что у человека развивается деменция.

На качество заполнения анкеты способны влиять образовательный опыт, грамотность, понимание языка, усталость, состояние здоровья и особенности самой анкеты.

Более того, авторы признают, что выявленные показатели могут частично отражать не только когнитивные нарушения, но и общую физическую уязвимость или низкий уровень образования.

Это имеет непосредственное отношение к надёжности алгоритма.

У участников старше 85 лет из английской и китайской когорт AUROC снижался до 0,68-0,69.

В индийской выборке показатель составлял 0,69 среди неграмотных участников против 0,78 среди грамотных.

Таким образом, технология работала менее эффективно именно в некоторых группах, для которых доступная диагностика особенно важна.

Есть и ещё одно существенное ограничение.

Когнитивный статус большинства участников определялся не по индивидуальному клиническому диагнозу. Исследователи использовали согласованные результаты когнитивных обследований и статистическую модель, опиравшуюся в том числе на клинически подтверждённые случаи.

Поэтому проверка алгоритма на этих данных не равнозначна проверке его способности диагностировать деменцию в реальной медицинской практике.

Кроме того, работа была наблюдательной. Исследователи анализировали уже собранные данные, а не проверяли, насколько применение алгоритма улучшает здоровье пациентов.

Отдельные дополнительные анализы использовали ответы из предыдущих этапов наблюдения для прогнозирования последующего когнитивного статуса. Но длительная последовательная проверка, необходимая для уверенных выводов о раннем выявлении заболевания, ещё предстоит.

Как обнаружить когнитивные нарушения раньше и кому может помочь новая технология

Потенциальная ценность подхода заключается не в замене врача, а в предварительном выделении групп повышенного риска.

По данным Всемирной организации здравоохранения, в 2021 году с деменцией жили около 57 миллионов человек. Более 60% приходилось на страны с низким и средним уровнем доходов.

При этом доступ к полноценной оценке когнитивных функций распределён крайне неравномерно.

Специальные обследования требуют времени, подготовленных специалистов и определённых ресурсов.

Обычные социальные и психологические опросы проводятся значительно шире.

Если уже существующие ответы могут дать дополнительную информацию о когнитивном риске, системы общественного здравоохранения потенциально получат возможность лучше определять, каким группам стоит предложить дальнейшее обследование.

Например, в крупном исследовании старения алгоритм мог бы выделить участников, у которых сочетание характеристик ответов и демографических факторов указывает на повышенный риск.

После этого таким людям можно было бы предложить стандартную оценку когнитивных функций.

Это принципиально отличается от автоматического сообщения человеку, что у него обнаружена деменция.

Для врача подобная система могла бы стать дополнительным инструментом предварительной оценки, а не самостоятельным диагностическим тестом.

Для семьи практический смысл несколько иной.

Не стоит анализировать ошибки пожилых родственников при заполнении документов как доказательство заболевания.

Гораздо важнее обращать внимание на устойчивые изменения повседневных возможностей: трудности с привычными финансовыми операциями, повторяющуюся потерю ориентации, нарастающие проблемы с запоминанием недавних событий или выполнением знакомых задач.

Если подобные изменения появились и сохраняются, их стоит обсудить с врачом.

Причины могут быть различными, и далеко не все связаны с нейродегенеративными заболеваниями.

Следующий вопрос — можно ли доверить алгоритму решение о направлении к врачу

Исследование продемонстрировало статистическую перспективность подхода, но его практическая эффективность ещё требует проверки.

Необходимо выяснить, сколько людей алгоритм будет ошибочно относить к группе повышенного риска и сколько реальных случаев когнитивных нарушений пропустит.

Эти ошибки имеют разную цену.

Ложноположительное заключение может приводить к ненужному беспокойству и дополнительным обследованиям.

Ложноотрицательное — создавать ошибочное ощущение благополучия и задерживать полноценную диагностику.

Авторы провели математический анализ потенциальной пользы различных порогов риска. Он показал, что использование модели может быть предпочтительнее крайних стратегий, при которых обследование предлагают всем или никому.

Но это ещё не доказательство эффективности реального внедрения.

Следующим этапом должны стать исследования в медицинских и общественных учреждениях, проверка результатов на новых популяциях и оценка влияния алгоритма на реальные решения врачей.

Потребуется также определить правила использования анкетных данных, обеспечить прозрачность оценки риска и защитить участников от необоснованных медицинских выводов.

Особенно важно не допустить, чтобы низкий уровень образования или ограниченная грамотность автоматически превращались в завышенную оценку вероятности заболевания.