最近的一項ecclinicalmedicine研究利用機器學習(ML)技術開發和測試了一種預測預后模型(PPM)，用于使用真實世界的患者數據預測早期癡呆癥。

早期診斷癡呆癥的挑戰

研究人員預測，在未來50年里，癡呆癥的發病率將增加三倍。阿爾茨海默病(AD)目前占所有癡呆癥病例的60-80%。

迄今為止，仍然缺乏早期診斷癡呆癥的有效工具。記憶測試在早期階段尤其無效，因為它們缺乏敏感性。此外，大多數患者無法進行更具體的檢查，如腰椎穿刺來評估腦脊液生物標志物，也無法進行侵入性和昂貴的正電子發射斷層掃描(PET)掃描。

盡管最近取得了進步，但使用ML技術開發的人工智能(AI)模型也存在一定的局限性。例如，雖然隊列數據是結構化的，但它可能導致一般化。

關于研究

目前，研究人員開發了一種可解釋且可靠的PPM，可以預測早期癡呆患者是否會發展為阿爾茨海默病，以及發展速度有多快。癡呆的早期階段包括癥狀前或“認知正�！�(CN)和輕度認知障礙(MCI)。

為了證明PPM的臨床應用，研究人員對系統進行了基線、非侵入性和低成本數據的訓練。此后，PPM在真實世界的樣本外患者數據上進行了測試，并針對真實世界數據中的縱向診斷進行了驗證。

獲得的數據來自兩個臨床隊列，作為獨立的測試數據集，包括272名患者，一個來自阿爾茨海默病神經影像學倡議(ADNI)的研究隊列，分別包括410名和609名患者的訓練和驗證樣本，以及新加坡國立大學記憶老化和認知中心數據集(MACC)，包括605名患者。

為了利用多模態數據預測癡呆早期的認知能力下降，采用了一種基于廣義度量學習向量量化(GMLVQ)的軌跡建模方法。對GMLVQ模型進行訓練，以區分穩定型MCI (sMCI)和進行性MCI (pMCI)。sMCI患者在三年內一直被診斷為MCI，而pCMI患者在三年內進展為AD。

訓練采用adenbrooke 's Cognitive Examination Revised memory scale (ACE-R memory)、Mini-Mental State Examination (MMSE)和來自ADNI數據的灰質(GM)密度來完成。

研究結果

在判斷早期癡呆患者是否會保持穩定或進展為AD方面，PPM的預測準確率為81.7%，特異性為80.9%，敏感性為82.4%。有證據表明，MMSE、GM密度和ACE-R記憶之間存在相互作用，這表明多模態特征在精確區分sMCI和pMCI方面發揮了作用。

單獨使用ACE-R記憶和MMSE訓練模型的效果與同時使用認知和MRI數據訓練模型的效果相似。當使用跨多模態數據的多變量交互時，該模型表現最佳。

模型衍生的預后指數與預測認知健康軌跡具有臨床相關性。對于兩個獨立的數據集，ppm衍生的預后指數來自基線數據，并且在組間存在顯著差異。當對多個測試案例(如AD、中度輕度認知障礙、輕度輕度認知障礙或CN3)進行MRI和認知數據訓練時，該指數明顯更高。

此前的研究報告稱，高達35%的癡呆癥病例被誤診。重要的是，PPM指數顯示了通過對系統進行生物數據訓練來降低誤診率的潛力。

與臨床實踐、邏輯回歸模型和多變量回歸模型中的典型評估相比，PPM具有更高的靈敏度和準確性。在針對縱向臨床結果的驗證練習中，PPM強有力地預測了早期疾病階段(如MCI)的個體是否會發展為AD或保持穩定。這些發現在不同記憶中心的普遍性是人工智能引導的早期癡呆生物標志物領域的重大進展。

結論

該研究結果為一種可解釋和強大的臨床人工智能指導方法提供了證據，用于檢測和分層早期癡呆患者。由于該標記物在不同地理區域的多中心縱向患者數據驗證，因此具有在臨床實踐中采用的強大潛力。

在將該模型視為臨床人工智能工具之前，需要包括來自代表性不足群體的數據，納入臨床護理數據以捕獲合并癥，并將PPM擴展到癡呆癥亞型的預測。