Integración bayesiana de los resultados longitudinales y de supervivencia en la predicción de la enfermedad de...

Área de la Ciencia:

• La neurociencia
• Estadísticas biológicas
• La informática médica

Sus antecedentes:

• La predicción precisa de la aparición y progresión de la demencia de la enfermedad de Alzheimer (EA) es fundamental para la intervención oportuna y el diseño eficaz de ensayos clínicos.
• Los modelos existentes a menudo tienen dificultades para integrar datos longitudinales y de supervivencia complejos de manera efectiva.

Objetivo del estudio:

• Desarrollar y validar un nuevo marco predictivo para el inicio y la progresión de la demencia de la enfermedad de Alzheimer (EA).
• Mejorar la precisión y la robustez de la predicción mediante la integración de resultados longitudinales multivariados y datos de supervivencia utilizando el promedio del modelo bayesiano (BMA).

Principales métodos:

• Se utilizó un modelo mixto funcional multivariado (MFMM) para modelar conjuntamente los resultados longitudinales (examen del estado mental en miniatura, suma de cuadros de evaluación de la demencia clínica) y los datos de supervivencia.
• Las técnicas de promedio del modelo bayesiano (BMA), incluido el apilamiento y el pseudo-BMA +, se utilizaron para agregar predicciones de múltiples modelos.
• El marco fue entrenado en 1012 participantes de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI) y validado en 2087 participantes del Centro Nacional de Coordinación de la Enfermedad de Alzheimer (NACC).

Principales resultados:

• El marco de la BMA mejoró significativamente la precisión de las predicciones en comparación con un modelo compuesto.
• El índice C para la precisión de la predicción fue de 0,777 (apilado) y 0,771 (pseudo-BMA+) en la cohorte ADNI.
• El modelo logró un índice C de 0,743 (apilado) y 0,738 (pseudo-BMA+) en la cohorte de validación NACC demográficamente diversa, lo que demuestra su generalización.

Conclusiones:

• El marco de modelado conjunto desarrollado proporciona una herramienta sólida para predecir el inicio y la progresión de la demencia de la enfermedad de Alzheimer (EA).
• La mayor precisión predictiva y generalizabilidad apoyan su aplicación en medicina personalizada y diseño de ensayos clínicos.
• Este enfoque ofrece un método fiable para las estrategias de intervención temprana y la medicina de precisión en la enfermedad de Alzheimer (EA).