在已完成的临床试验中,针对阿尔茨海默氏症亚型的知识导向深度时间聚类

科学领域:

• 神经退行性疾病 神经退行性疾病
• 计算生物学 计算生物学
• 临床信息学 临床信息学

背景情况:

• 阿尔茨海默病 (AD) 呈现出异质的患者进展,使治疗策略复杂化.
• 现有的AD亚型分类方法缺乏细粒度以捕捉动态疾病轨迹.
• 了解AD异质性对于开发有效的个性化干预措施至关重要.

研究的目的:

• 开发和验证一种用于识别不同阿尔茨海默病 (AD) 患者亚型的新型框架.
• 为了测试这种假设,即阿尔茨海默病患者可以根据疾病进展的差异分为子组.
• 为了利用深度学习和临床数据进行强大的AD亚型分类.

主要方法:

• 开发了一个以知识为导向的深度时间聚类 (KG-DTC) 框架,集成自动编码器,k-means聚类和临床结果分类.
• 利用了来自三项solanezumab临床试验 (EXPEDITION,EXPEDITION2,EXPEDITION3) 的2,087名AD患者的安慰剂数据.
• 集群表示包括人口统计,APOE基因型,认知评估,大脑体积和使用高斯混合模型的生物标志物.

主要成果:

• 在结果预测和集群方面,KG-DTC框架取得了高绩效,在与k-means集群损失相结合时显示出优越的结构.
• 外部验证证实了一致的集群结果,为三个集群提供了0.33的轮得分.
• 确定了三种不同的AD亚型 (S1,S2,S3) 具有独特的认知功能模式,神经退行和粉样β水平.
• 与其他亚型相比,亚型3 (S3) 的认知能力下降显著更快 (p<.001).

结论:

• 新的KG-DTC框架成功地根据疾病进展确定了不同的阿尔茨海默病亚型.
• 鉴定出的亚型表现出不同的临床和生物标志物概况,突出显示了患者的异质性.
• 这种方法为了解治疗结果的变化和个性化AD治疗策略提供了有希望的见解.