多预测器风险模型用于预测阿尔茨海默病的个体风险

科学领域:

• 神经科学是一个神经科学.
• 生物统计学 生物统计学
• 医疗信息学 医疗信息学

背景情况:

• 早期预防阿尔茨海默病 (AD) 对于延迟发病和进展至关重要.
• 个人级别的AD预测对于有效的预防策略至关重要.
• 这项研究的重点是开发个体患者层面的AD预测风险模型.

研究的目的:

• 开发和验证风险模型,以预测阿尔茨海默病 (AD) 在个人层面的发病.
• 从各种特征中确定一组最佳的预测因子,用于AD风险评估.
• 帮助早期预防和管理AD.

主要方法:

• 利用来自阿尔茨海默氏病神经成像计划的487名认知正常 (CN) 和796名轻度认知障碍 (MCI) 个体的数据.
• 收集了临床,认知,MRI和CSF标记,随访期为5.6年 (CN) 和4.6年 (MCI).
• 应用最小绝对收缩和选择运算符 (LASSO) 考克斯回归用于预测器选择和模型构建.

主要成果:

• 在5年内,CN模型预测了prodromalAD的AUC值为0.81;139名CN参与者进展.
• 在5年内,MCI模型预测了AD痴呆症,AUC为0.92;321名MCI患者进展.
• 一个阿尔茨海默氏症连续模型实现了高精度 (AUC=0.91) 预测在3年内进展.

结论:

• 开发了个性化,年复一年的AD发病风险模型.
• 模型显示,对于正常认知和MCI的个体,预测准确度很高.
• 这些风险模型为增强AD预防策略提供了有价值的工具.