使用共享潜变量模型进行概率集群,用于评估阿尔茨海默病生物标志物

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
• 生物标志物研究 生物标志物研究

背景情况:

• 临床前的神经退行性疾病,如阿尔茨海默氏症 (AD),具有较长的临床前阶段,微妙的生物标志物变化.
• 由于无法观察到的疾病状态和生物标志物和疾病进展的个体变异性,早期检测具有挑战性.
• 假设表明存在具有明显生物标志物模式的患者子组,受伴随性疾病和大脑弹性影响.

研究的目的:

• 在异质生物标志物-疾病级联中识别特定于阿尔茨海默病的系统模式.
• 用一个动态潜变量模型来量化疾病进展,该模型考虑了患者子组.
• 加强神经退行性疾病的早期诊断和干预策略.

主要方法:

• 开发了一种动态隐性变量混合模型来表示患者子组.
• 采用哈密尔顿式蒙特卡洛模型估计和贝叶斯信息标准来确定集群的数量.
• 将模型应用于正常人认知衰退的纵向生物标志物 (BCDN) 数据集.

主要成果:

• 拟议的模型成功地确定了阿尔茨海默病生物标志物进展的独特模式.
• 分析显示,有两个亚组具有显著不同的疾病发病轨迹.
• 这些发现支持了AD内生物标志物-疾病关系中异质性的假设.

结论:

• 该研究成功地确定了不同的临床前阿尔茨海默病亚组,为疾病异质性提供了新的见解.
• 开发的动态预测方法可以提高临床前阶段个体预后的准确性.
• 了解子组动态对于制定有针对性的早期诊断和治疗策略至关重要.