在阿尔茨海默病中优化血生物标志物的时间和成本效益的使用

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:

• 阿尔茨海默病 (AD) 诊断依赖于早期和经济有效地识别粉样蛋白阳性.
• 粉样蛋白PET扫描是黄金标准,但价格昂贵,难以获得.
• 等离子体生物标志物,如化陶217 (pTau217),为阿尔茨海默病诊断提供了一个有希望的替代方案.

研究的目的:

• 使用机器学习 (ML) 模型评估一个组合的血生物标记面板的诊断准确性.
• 评估单个生物标志物的重要性,以确定粉样蛋白阳性.
• 探索血生物标志物的实用性,以确定AD的临床分期.

主要方法:

• 招募了371名参与者 (AD,非AD,认知正常的对照).
• 测量了pTau217,pTau181,GFAP,NFL,Aβ42/40,以及总tau的组合面板.
• 应用了多类后勤回归和随机森林来分类粉样蛋白阳性 (A+).

主要成果:

• 血生物标记面板在识别粉样蛋白阳性时达到>92%的准确性,在临床早期增加到93.4%.
• 单独pTau217的准确度也相当 (>90%),是排名第一的生物标志物.
• 虽然NFL和GFAP与认知分数相关,但它们没有改善临床阶段分层.

结论:

• 多类逻辑回归模型增强了粉样蛋白的分类,特别是在临床早期.
• 一个组合的等离子生物标记面板提供了高准确度,而pTau217单独提供了一个具有成本效益的查选项.
• 将血生物标志物和ML整合到临床工作流程中可以改善早期AD检测和患者分层.