构建并验证面向社区场景的多模态数字化认知筛查模型，评估其对轻度认知障碍（mild cognitive impairment，MCI）的早期识别效能，并探索数字行为特征与总体认知功能及阿尔茨海默病（Alzheimer’s disease，AD）相关血液生物标志物之间的关系。

采用便利抽样法，于2024年5月至2025年12月在广州市黄埔区社区招募老年受试者1376例，其中认知正常（normal cognitive，NC）组1011例，MCI组365例。所有受试者完成多模态数字化筛查系统评估，包括五词回忆、画钟测试和看图说话三项任务，并采集语音、语言及绘图等行为特征。采用两阶段堆叠式集成学习框架，以XGBoost为基学习器构建筛查模型，在独立测试集中评估模型准确率、灵敏度、特异度、精确率、F1值和AUC。另对144例受试者检测Aβ1-42、Aβ1-40、Aβ1-42/Aβ1-40、p-tau181及p-tau217水平，分析其与数字特征及MoCA-B得分的相关性。

NC组与MCI组共有13个数字特征存在显著差异，14个数字特征与MoCA-B总分显著相关。Aβ1-42/Aβ1-40与MoCA-B总分呈正相关，p-tau181和p-tau217与MoCA-B总分呈负相关，且多项数字特征与AD血液生物标志物显著相关。单任务模型筛查效能有限，AUC为0.524～0.627；多任务融合模型表现最佳，准确率92.73%，灵敏度72.46%，特异度99.51%，精确率98.04%，F1值83.33%，AUC为0.900。SHAP可解释性分析显示，第三次回忆中成功回忆的正确词数、画数字绘图用时及关键物品和动作命中次数分别为三项任务中最重要的特征。

基于五词回忆、画钟测试和看图说话任务构建的多模态数字化认知筛查模型，能够较好识别社区老年人中的MCI个体，具有较高的筛查准确性和较好的临床应用潜力。数字行为特征不仅可反映早期认知异常，还可能在一定程度上反映潜在AD相关病理变化。