Multimodal prognostic modeling of individual cognitive trajectories to enhance trial efficiency in preclinical Alzheimer’s disease.
研究背景
阿尔茨海默病（AD）临床症状出现前有漫长无症状期，会出现病理变化，这为治疗干预提供机会。但此阶段患者认知衰退慢且异质性大，给临床试验设计带来困难，因此开发预测个体认知轨迹模型很重要。
方法速览
采用机器学习中的随机梯度提升机（SGBM）算法，基于A4研究纵向数据，训练模型预测4.5年的PACC变化。输入包括人口学特征等多项指标，通过交叉验证和模拟试验评估性能和对试验效率的影响。
主要发现
- 模型预测4.5年认知衰退轨迹
- Model - 1结合基线临床评估等预测4.5年PACC变化，第192周时，交叉验证R²为0.395等；第240周时，R²为0.324等。适用于无tau PET数据情况。
- Model - 2在Model - 1基础上加区域tau PET数据，性能提升。第192周时，R²为0.421等；第240周时，R²为0.419等。晚期预测更准确。
- 预测模型作为预后协变量（APC）的应用
- Model - 1的APC在固定样本量下将统计功效从80%提高到90.6%，减少23.8%样本量需求。
- Model - 2的APC将功效提高到94.7%，减少34.9%样本量需求，性能更优（tau PET数据可用时）。
- 模型预测的个体差异
- 个体条件期望（ICE）图显示基线生物标志物对认知衰退有非线性和个体间异质性影响。
- 部分依赖图（PDP）展示不同预测因子有交互作用，联合升高与更严重认知衰退相关。
总结展望
本研究创新性在于多模态数据融合和预后协变量应用提高了预测性能和试验效率。但存在种族和教育背景限制、pTau217检测平台标准化及tau PET数据有限等局限性，未来需进一步改进以扩大模型应用范围。