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）临床症状出现前有无症状期，会有病理变化如淀粉样蛋白β积累，为治疗干预提供机会。但无症状期患者认知衰退慢且异质性大，增加临床试验设计难度。开发预测个体认知轨迹的模型，对提高临床试验效率意义重大。
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。基线输入含人口学特征、APOE ε4等位基因计数、临床评估、血浆pTau217、MRI衍生结构脑网络模块和区域中心点，以及tau PET SUVR。通过交叉验证和模拟试验评估模型预测性能和对临床试验效率的影响。
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、血浆pTau217和MRI衍生结构脑网络模块及区域中心点，能有效预测4.5年认知衰退轨迹。Model - 2在Model - 1基础上加区域tau PET标准化摄取值比（SUVR），预测性能进一步提升。
- 预测模型作为预后协变量（APC）的应用：Model - 1的APC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将统计功效提高到94.7%，减少34.9%样本量需求。
- 模型预测的个体差异：个体条件期望（ICE）图显示基线血浆pTau217等对4.5年认知衰退有非线性和个体间异质性影响；部分依赖图（PDP）展示不同预测因子交互作用，如基线血浆pTau217与杏仁核tau SUVR协同效应，生物标志物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及预后协变量应用，提高了模型预测性能和临床试验效率。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。未来需进一步优化模型，扩大适用范围。