基于血液的多种生物标志物在多中心队列研究中高特异性预测阿尔茨海默氏症前性

科学领域:

• 神经学 神经学
• 生物标志物发现发现
• 医学诊断 医学诊断 医学诊断

背景情况:

• 目前阿尔茨海默氏症 (AD) 诊断依赖于认知测试和粉样斑检测,其特异性有限,导致轻度认知障碍 (MCI) 的潜在误诊.
• 在没有痴呆症的粉样蛋白阳性个体中,多达25%的人可能被错误地诊断为因AD而患有MCI,这凸显了需要更精确的诊断工具的需要.
• 抗粉样蛋白疗法的出现需要准确识别真正受益的患者,特别是区分AD与非AD病理.

研究的目的:

• 通过使用外围生物标志物评估预测模型,对将进展为AD痴呆症的MCI和轻度痴呆症患者进行高度特定的识别.
• 开发和验证一种能够在认知障碍人口中区分AD和非AD脑疾病的诊断工具.

主要方法:

• 在动物模型中发现的外围生物标志物 (45种蛋白质,36种代谢物) 用质谱测试作为目标.
• 一个机器学习模型,B-HEALED,在70%的血液样本数据上进行了开发和训练,来自7个队伍的345名参与者,分析了81个生物标志物和年龄.
• 该模型的预测准确性在剩余的30%数据和外部数据集上被盲目验证,评估其区分AD患者与非AD患者的能力.

主要成果:

• 使用19个生物标志物和年龄的B-HEALED模型在内部验证中实现了93.0%的特异性和65.4%的敏感性 (AUROC=81.9%),用于识别将发展AD痴呆症的个体.
• 当与粉样蛋白状态 (CSF或PET) 结合时,B-HEALED模型在识别AD时实现了100%的特异性和52.8%的灵敏性.
• 该模型在盲目外部验证中表现一致,证实了它在独立数据集上的可靠性.

结论:

• B-HEALED测试采用多组血型生物标志物,为认知障碍患者的阿兹海默症检测提供了高预测特异性,显著减少了假阳性.
• 当与粉样蛋白查一起使用时,B-HEALED有效地识别出一种纯原始的AD队列,这对于临床试验招募和治疗选择至关重要.
• 这些发现支持优化临床试验标准,药物开发和精确识别那些最有可能从疾病修饰性AD疗法中受益的患者.