脑电图功能网络用于查轻度认知障碍中的粉样蛋白阳性:一个横截面研究

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 生物标志物 生物标志物

背景情况:

• 针对β-粉样蛋白 (Aβ) 的阿尔茨海默病 (AD) 治疗需要早期识别β-阳性个体,特别是那些轻度认知障碍 (MCI) 患者.
• 脑电图 (EEG) 功能网络指标显示了检测Aβ相关神经网络中断的潜力.
• 脑电图提供了一种非侵入性且可能具有成本效益的替代现有诊断方法.

研究的目的:

• 评估静止状态EEG功能网络分析在认知衰退的个体中识别Aβ阳性的实用性.
• 评估机器学习模型使用EEG衍生特征在MCI组中的Aβ状态分类的性能.

主要方法:

• 100名认知能力下降的参与者接受了F-flutemetamol PET/CT,EEG和神经心理测试.
• 参与者被分为主观认知衰退 (SCD),MCI或痴呆症.
• 静态EEG数据使用加权相位滞后指数和图形理论进行分析,以计算功能连接和全球网络属性. 机器学习模型对MCI患者的Aβ状态进行了分类.

主要成果:

• 在100名参与者中,53名为Aβ阳性. 在MCI组 (n=55),Aβ阳性个体 (n=28) 显著减少了三角波段网络强度,全球/本地效率,聚类系数和过渡性 (p <0.05).
• 机器学习模型实现了Aβ状态分类的曲线下面面积 (AUC) 高达0.850.
• 这些发现突出了与MCI中的Aβ阳性相关的明显网络变化.

结论:

• 静止状态EEG网络分析是一种可行的非侵入性和具有成本效益的工具,用于查MCI患者的Aβ阳性.
• 基于EEG的全球网络措施可以支持早期AD诊断,并优化患者选择抗Aβ疗法.