你知道吗？早在19世纪初，James Parkinson博士首次描述帕金森病时，就留意到了患者呼吸模式的变化。两个世纪后的今天，一项新研究从这个古老的观察中找到了全新的突破口——通过在睡眠期间被动监测呼吸，不仅能检测出帕金森病，还能跟踪疾病随时间的进展。这种基于呼吸模式的远程监测技术，为帕金森病的早期诊断和进展评估开辟了全新路径。

这项研究由麻省理工学院的Dina Katabi教授领衔，成果发表在《自然·医学》期刊上。Katabi团队与罗切斯特大学医学中心（URMC）健康与技术中心的研究人员紧密合作，包括神经病学教授Ray Dorsey和助理教授Chris Tarolli。有趣的是，Dorsey教授打了个比方：“我们对帕金森病的理解，就像夜晚路灯下的视野——只有患者到诊所就诊时才能看到疾病。而且，我们追踪疾病进展的手段也很主观。这项研究表明，远程监测不仅能识别帕金森病患者，还能客观衡量疾病的严重程度和进展。这或许是我们早期发现疾病、更有效开展研究的利器。” 这一观点突出了数字生物标志物在神经系统疾病管理中的巨大潜力。

帕金森病目前是全球发病率增长最快的神经系统疾病，甚至超过了阿尔茨海默病。美国已有超过一百万人受其困扰。虽然存在罕见的遗传形式，但许多病例可能与接触某些工业化学品和杀虫剂有关。这些环境风险因素正成为科学家探索疾病成因的重要方向。

回到这项研究：研究人员从那个200年前的观察出发，试图通过分析夜间呼吸节律及其随时间的变化，来创建帕金森病的数字生物标志物。他们采用了一套被动发射无线电信号的系统，可以捕捉呼吸模式、血管搏动以及睡眠期间的肌肉运动。受试者佩戴呼吸带，或者直接从睡眠时身体反弹的无线电信号中提取呼吸数据。这种非侵入性的无线监测方式，让长期居家数据采集成为可能。

研究规模相当可观：共招募了7687名受试者，其中包含757名帕金森病患者，累计记录了超过12万小时的睡眠数据。麻省理工学院的研究团队使用一种称为神经网络的AI模型来挖掘这些数据——这种算法擅长从海量信息中寻找隐藏模式。结果很清晰：模型能准确区分帕金森病患者和健康志愿者，显示出AI在疾病识别中的强大能力。

这里有个关键问题：目前还没有有效的生物标志物来诊断帕金森病，特别是在早期阶段，也无法有效跟踪病情进展。通常，当患者首次出现震颤症状并被确诊时，大脑中生成多巴胺的神经元大部分已经死亡。如果能更早发现，患者就能更早开始治疗，或许还能延缓疾病进展。同时，更精确的进展测量——每个患者的病程差异很大——也能帮助科学家更好地评估实验疗法是否有效。而这种经过验证的远程监测技术，将使研究人员能够招募更广泛的参与者，更快地衡量新疗法的效果，从而有望更快找到真正有效的治疗手段。这意味着，睡眠呼吸监测有望成为帕金森病临床研究的新工具。