开发和验证机器学习模型与基于血液的数字生物标志物用于阿尔茨海默病的诊断:一个多队列诊断研究

科学领域:

• 生物标志物和诊断仪器
• 机器学习在医疗保健中的应用
• 神经退行性疾病研究

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于复杂的生物学途径,需要有效的血液生物标志物.
• 目前的血液生物标志物方法在成本效益和操作复杂性方面存在局限性,这阻碍了临床可访问性.

研究的目的:

• 开发一种低成本,方便的基于机器学习的数字生物标记 (MLDB) 系统,使用等离子体光谱.
• 与健康对照组 (HCs) 相比,在个体中检测AD或轻度认知障碍 (MCI).
• 将AD与其他神经退行性疾病区分开来,例如莱维体痴呆症 (DLB),前性痴呆症 (FTD) 和渐进性超核性 (PSP).

主要方法:

• 利用减弱总反射度-里埃变换红外光谱 (ATR-FTIR) 来分析来自1324个人的等离子体光谱.
• 使用随机森林分类器和特征选择来识别数字生物标志物.
• 在一项回顾性研究 (2017年7月至2023年8月) 中包括了患有AD,MCI,DLB,FTD,PSP和HC的参与者.

主要成果:

• MLDB实现了高AUC:AD与HC的0.92,MCI与HC的0.89,并将AD与其他神经退行性疾病区分开来,AUC范围为0.80至0.93.
• 灵敏度和特异性很高,例如,AD与HC的灵敏度为88.2%,特异性为84.1%.
• 识别的数字生物标志物与血p-tau217和GFAP水平呈负相关性.

结论:

• ATR-FTIR 血光谱特征可以识别与AD相关的病理变化,作为有效的数字生物标志物.
• MLDB提供了一个有希望的,具有成本效益的工具,用于早期查和诊断AD.
• 这种方法支持AD与其他神经疾病的临床区分.