通过多式数据估计临床前阿尔茨海默病的进展

科学领域:

• 神经科学
• 生物统计学
• 老年学

背景情况:

• 在临床前阶段确定个体在阿尔茨海默病 (AD) 连续性的位置是具有挑战性的,因为基线是任意的.
• 纵向数据优化可以创建一个单一的指标来表示个体的疾病进展轨迹.

研究的目的:

• 使用纵向认知数据开发和验证"认知时间" (c-time) 度量.
• 评估c-time与已确定的AD病理标志物之间的关系,例如粉样β (Aβ) 沉积和神经退行.

主要方法:

• 通过对316名参与者的认知数据进行非线性最小平方优化开发了c-time度量.
• 从纵向粉样蛋白PET扫描中获得的c时间和粉样蛋白β阳性 (Aβ+) 度量之间的分析关联.
• 在路径分析中包括人口统计学,大脑体积,皮质厚度,TAU PET和心血管风险因素.

主要成果:

• C时间和Aβ+时间之间存在中等的正相关.
• 时间到Aβ+与c时间有直接和间接的关联,由区域性tau PET,海马体积和皮质厚度介导.
• 与Aβ+的时间相比,C时间与tau病理,大脑缩和皮质厚度的相关性更强.

结论:

• 优化纵向多式数据可以产生独立于年龄的指标,表明个体与疾病相关的事件的接近.
• C-time提供了一种新的方法来量化个体相对于认知衰退的开始.
• C-time为临床前AD连续性提供了宝贵的见解,整合了认知,病理和结构性大脑变化.