Исследование: возраст, артериальное давление и ИМТ – основные предикторы когнитивной продуктивности
Почему одни люди сохраняют быструю реакцию и сосредоточенность на протяжении всей жизни, а другие замечают, что с возрастом их внимание и скорость реакции изменяются? Может ли современный искусственный интеллект помочь нам понять, что действительно влияет на нашу умственную остроту? Новое исследование, проведённое в Университете Иллинойса в Урбана-Шампейн, было направлено на поиск ответов на эти вопросы.
Учёные применили передовые методы машинного обучения для анализа рациона, физической активности, артериального давления, массы тела и других показателей здоровья у почти 400 взрослых. Результаты указывают на то, что возраст, артериальное давление и индекс массы тела (ИМТ) являются наиболее значимыми предикторами успешности выполнения когнитивных тестов, а также демонстрируют, как современные инструменты анализа данных позволяют выявлять взаимосвязи, которые часто упускаются при традиционных подходах.
Примечание: данная статья предназначена для общего ознакомления и образовательных целей. Она содержит краткое изложение научных исследований, изложенных доступным языком для широкой аудитории, и не является официальным научным пресс-релизом.
Понимание того, что помогает нам сохранять ясность ума и внимание с возрастом, является важным вопросом как для учёных, так и для широкой общественности. Многие люди задаются вопросом, как их сегодняшний образ жизни — например, что они едят, насколько они активны, как они контролируют свой вес и артериальное давление — может повлиять на их способность концентрироваться, решать задачи или быстро реагировать. Исследователи давно изучают, как отдельные факторы, такие как питание или физическая активность, влияют на работу мозга. Но реальная жизнь сложна: множество факторов, связанных со здоровьем, образом жизни и демографическими характеристиками, постоянно взаимодействуют, и их совокупное влияние на когнитивные способности может быть трудно выделить.
Чтобы решить эту задачу, команда из Университета Иллинойса в Урбана-Шампейн под руководством Шрейи Вермы и коллег разработала новое исследование, опубликованное в The Journal of Nutrition. В работе был использован машинный интеллект — раздел искусственного интеллекта, который способен анализировать большие и сложные массивы данных и находить закономерности, которые могут остаться незамеченными при стандартных статистических методах. Целью исследователей было «предсказать когнитивную работоспособность на основе совокупности факторов, связанных со здоровьем и поведением, чтобы выявить ключевые влияющие параметры для возможных персонализированных интервенций».
Что именно исследовали учёные?
Команда объединила данные семи предыдущих исследований, чтобы сформировать разнообразную группу из 374 взрослых в возрасте от 19 до 82 лет, проживающих в Иллинойсе. Участники были из разных слоёв общества и были набраны в течение нескольких лет. Каждый человек предоставил широкий спектр информации, включая возраст, пол, этническую принадлежность, вес, рост, окружность талии и уровень дохода. Также участники поделились деталями о своих пищевых привычках и заполнили анкету по физической активности. Важно отметить, что все участники прошли компьютерный когнитивный тест, известный как модифицированная фланговая задача Эриксена — проба, которая оценивает, насколько быстро и точно человек способен концентрироваться и реагировать на цели в присутствии отвлекающих стимулов.
Качество рациона оценивалось с помощью нескольких признанных инструментов, включая индекс здорового питания (HEI-2020), диету DASH, средиземноморскую диету и диету MIND. Эти системы оценивания позволяли исследователям анализировать не только отдельные продукты, но и общий характер питания участников. Уровень физической активности определяли по частоте и интенсивности упражнений, которые участники выполняли в свободное время.
Артериальное давление — как систолическое, так и диастолическое — измерялось по стандартной методике, а индекс массы тела (ИМТ) рассчитывался на основе измеренных роста и веса. Объединяя все эти данные, исследовательская группа могла получить целостную картину и оценить, как каждый из факторов связан со способностью к концентрации и скоростью реакции.
Как проводилось исследование?
После того как исследователи убедились, что все данные полные и корректные, они проанализировали информацию от 374 взрослых участников. Те, у кого отсутствовали ключевые данные, были исключены для обеспечения точности моделей. В группе были сбалансированы мужчины и женщины разных возрастов и социальных слоёв.
Чтобы выяснить, какие именно факторы здоровья и образа жизни наиболее сильно влияют на когнитивную работоспособность, команда применила несколько моделей машинного обучения с учителем. Среди них были решающие деревья, случайный лес, AdaBoost, XGBoost и различные типы регрессионных моделей. Машинное обучение особенно хорошо справляется с анализом большого количества переменных одновременно и выявлением скрытых закономерностей. В рамках исследования все данные о состоянии здоровья, образе жизни и демографии были внесены в модели, а основным измеряемым результатом была скорость реакции в тесте на внимание.
Затем исследователи сравнили точность различных моделей и выбрали ту, которая показала наилучший результат. После этого они применили метод «важности признаков» (permutation importance), чтобы определить, какие факторы наиболее тесно связаны с когнитивной работоспособностью.
Чем отличается это исследование?
В то время как многие предыдущие работы рассматривали роль отдельных факторов — таких как физическая активность, артериальное давление или определённая диета, — это исследование выделяется своим комплексным подходом. Авторы подчёркивают, что «сложное взаимодействие этих факторов и их относительная значимость в прогнозировании когнитивных результатов остаются недостаточно изученными». Использование методов машинного обучения позволило учёным анализировать все переменные одновременно и «выявлять закономерности, которые могут быть незаметны при традиционном статистическом анализе». Это дало возможность не только определить наиболее сильные предикторы, но и увидеть, как сочетания факторов — например, возраста и давления, или диеты и физической активности — могут взаимодействовать и влиять на когнитивную работоспособность.
Что показало исследование?
1. Машинное обучение выявляет сложные взаимодействия
Ещё одним важным выводом исследования стало то, что машинное обучение оказалось особенно полезным для обнаружения тонких связей и взаимодействий между факторами здоровья. Как отмечают авторы, «алгоритмы машинного обучения особенно хорошо справляются с анализом больших массивов данных с множеством переменных, выявляя закономерности и взаимосвязи, которые могут быть неочевидны при традиционных методах». Благодаря этому стало возможным, например, увидеть, что более строгое соблюдение диеты HEI-2020 частично компенсировало негативное влияние высокого ИМТ на когнитивные функции, а положительный эффект здорового питания был наиболее выражен у людей с более низким артериальным давлением. Такой подход позволил понять, как питание и образ жизни могут взаимодействовать с другими показателями здоровья, такими как возраст или состав тела, влияя на когнитивные способности.
2. Возраст, артериальное давление и ИМТ — самые сильные предикторы
Наиболее значимым результатом исследования стало то, что возраст оказался главным предиктором когнитивной работоспособности в тесте на внимание, за ним следовали диастолическое артериальное давление и индекс массы тела (ИМТ). Систолическое давление и общее качество питания (оценённое по индексу здорового питания) также были значимыми, но в меньшей степени, чем возраст и диастолическое давление. Как отмечают авторы, «возраст, артериальное давление и ИМТ демонстрируют сильную связь с когнитивной работоспособностью, тогда как качество диеты оказывает более сдержанный эффект». На практике это означает, что более старший возраст, повышенное давление или высокий ИМТ были связаны с более медленной реакцией и более низкими результатами в тесте на внимание.
3. Рацион питания и физическая активность играют поддерживающую, но умеренную роль
Хотя наибольшее влияние на когнитивную работоспособность оказали возраст, артериальное давление и ИМТ, исследование также показало, что более здоровые привычки — включая сбалансированное питание и регулярную физическую активность — были связаны с лучшими результатами когнитивных тестов. Люди, которые сообщали о большей физической активности и набирали больше баллов по здоровым пищевым паттернам (таким как HEI-2020 или диета DASH), обычно показывали лучшие результаты, даже если этот эффект был менее выраженным, чем влияние возраста или давления. Авторы отмечают, что «физическая активность оказалась важным предиктором», а также добавляют, что сочетание активности и хорошего питания «подчеркивает важность поддержания одновременно активного образа жизни и сбалансированной диеты для оптимального функционирования когнитивных способностей». В некоторых случаях исследование показало, что более здоровое питание может смягчить часть негативных когнитивных эффектов, связанных с повышенным ИМТ или артериальным давлением. Такие диеты, как DASH, MIND и средиземноморская, также внесли свой вклад, однако их значение было ниже по сравнению с общим индексом здорового питания.
Каковы ограничения исследования и перспективы дальнейшей работы?
Как и у любого исследования, у этой работы есть свои ограничения. Авторы особо подчёркивают, что в исследовании рассматривался только один конкретный показатель когнитивной функции — время реакции в определённом тесте. Это значит, что результаты не обязательно применимы к другим аспектам мышления, таким как память или рассуждение. Кроме того, поскольку сбор данных проводился только в один момент времени, исследование не позволяет установить причинно-следственные связи — только ассоциации. Как пишут авторы, «необходимы лонгитюдные и экспериментальные исследования для подтверждения этих выводов и изучения причинных и синергетических связей между факторами и когнитивной работоспособностью».
Группа участников, несмотря на разнообразие, представляла только один регион, поэтому выводы могут не полностью отражать особенности других популяций. Авторы рекомендуют, чтобы в будущих исследованиях участвовало больше людей с разным бэкграундом, а также чтобы был добавлен больший объём медицинских данных, например, генетическая информация или подробные метаболические профили, чтобы улучшить понимание факторов, влияющих на когнитивную работоспособность с течением времени.
Заключение
В целом это исследование даёт новые представления о том, какие факторы здоровья и образа жизни наиболее тесно связаны с когнитивной работоспособностью у взрослых. Возраст, артериальное давление и индекс массы тела выделяются как главные предикторы, в то время как рацион и физическая активность также играют роль, особенно в сочетании друг с другом. Применение машинного обучения позволило исследовательской команде выявить закономерности и взаимодействия, которые могли бы быть упущены при традиционном анализе. Хотя необходимы дальнейшие исследования, особенно для отслеживания изменений во времени и включения более широких критериев когнитивного здоровья, полученные результаты подчёркивают важность комплексного подхода к поддержанию умственной ясности на протяжении всей взрослой жизни.
Полный текст исследования “Predicting Cognitive Outcome Through Nutrition and Health Markers Using Supervised Machine Learning” доступен по ссылке: https://doi.org/10.1016/j.tjnut.2025.05.003.
Информация в этой статье предоставлена исключительно в ознакомительных целях и не является медицинской рекомендацией. По вопросам, связанным с лечением или здоровьем, проконсультируйтесь с профильным специалистом.
