贝叶斯半参数模型用于学习阿尔茨海默病临床前阶段的生物标志物轨迹和变化点
Kunbo Wang1, William Hua1, MeiCheng Wang2
1Department of Applied Mathematics and Statistics, Johns Hopkins University, Baltimore, MD 21218, United States.
Biometrics
|May 22, 2024
概括
这项研究引入了一种新的统计模型,用于在认知能力下降之前跟踪阿尔茨海默病 (AD) 生物标志物. 它有助于识别可能永远不会发展AD的个体的早期大脑变化.
科学领域:
- 神经学 神经学
- 生物统计学 生物统计学
- 生物标志物研究 生物标志物研究
背景情况:
- 阿尔茨海默氏症 (AD) 神经病理学在轻度认知障碍 (MCI) 发病前几年就开始.
- 早期发现临床前阿尔茨海默病对于治疗的发展至关重要.
- 了解认知正常个体的生物标志物进展至关重要.
研究的目的:
- 开发一个用于建模AD生物标记物轨迹的统计框架.
- 为了确定相对于症状发作的大脑变化的时间.
- 考虑那些可能不会患上MCI或AD的个人.
主要方法:
- 贝叶斯半参数模型框架.贝叶斯半参数模型框架.
- 联合模拟纵向生物标记数据和症状发作的变化点.
- 对左切断,右审查和人口异质性的解释.
- 针对那些可能永远不会患上AD的人.
主要成果:
- 拟议的模型有效地跟踪阿尔茨海默病生物标志物进展.
- 它可以在临床前阶段识别神经病理变化的开始.
- 该模型通过BIOCARD研究的ptau181数据证明了临床效用.
结论:
- 开发的贝叶斯框架为分析AD生物标志物数据提供了一个强大的方法.
- 它增强了对临床前阿尔茨海默病进展和个体变异性的理解.
- 这种方法支持早期检测和开发针对阿尔茨海默病的向治疗方法.
