یک مدل پیش آگهی بیماری آلزایمر با تکیه بر اندازه گیری های طولی چندگانه و داده های زمان به رویداد

چکیده

کلمات کلیدی

1.مقدمه

2. مواد و روش ها

2.1 جمعیت مطالعه

2.2 تحلیل آماری

جدول 1: آمار توصیفی برای متغیرهای اندازه گیری شده در مطالعه ورودی ADRI-1 و ADNI-2 مبتلا به اختلال شناختی خفیف (MCI)

3.نتایج

جدول2: میانگین iAUC و نمره Brier یکپارچه برای سه مدل با اعتبارسنجی داخلی و خارجی

جدول 3- مقايسه مدل با عصب شناختي و مجموعه بيومارکرهاي تصويری

شکل 1: منحنی های بقا کاپلان-مایر برای گروه های خطر تبدیل از تشخیص MCI به تشخیص AD. PIADNI بر اساس پارامترهای برآورد شده در مدل 2a با استفاده از مجموعه داده ADNI-1، با 12 نمره MFPC مشتق شده از اطلاعات طولی ADAS-Cog 13، RAVLT فوری، پرسشنامه، یادگیری RAVLT و MMSE محاسبه شد. مناطق سایه دار به فاصله 95٪ اطمینان منحنی کاپلان-مایر مربوط می شوند. اختصارات: MCI، اختلال شناختی خفیف؛ AD، بیماری آلزایمر؛ PI، شاخص پیش آگهی؛ ADNI، طرح ابتلا به بیماری های آلزایمر Neuroimaging؛ MFPC، جزء اصلی عملکرد چند متغیره؛ آزمون ADAS-Cog، مقیاس ارزیابی بیماری آلزایمر- آزمون شناختی؛ RAVLT، آزمون تست آموزش زبان کلامی Rey؛ پرسشنامه، پرسشنامه ارزیابی عملکردی؛ MMSE، معاینه حالات روانشناسی. 

4. بحث

مفهوم پژوهش

مقدمه: تشخیص پیشرفت بیماری آلزایمر برای تشخیص زودهنگام و درمان هدفمند بسیار مهم است. هدف این است که یک مدل پیش آگهی مبتنی بر مارکرهای طولی چند متغیره برای پیش بینی بقای پیشرفت بدون درد در بیماران مبتلا به اختلال شناختی خفیف ایجاد شود. روش ها: اطلاعات موجود در نشانگرهای طولی چندگانه با استفاده از تجزیه و تحلیل مولفه های عملکردی چند متغیری استخراج شد و به عنوان پیش بینی کننده در مدل های رگرسیون کوکس مورد استفاده قرار گرفت. برای انتخاب بهترین مدل مبتنی بر ابتکار Neuroimaging Alzheimer's Neuroimaging-1 از روش اعتبار سنجی متقابل استفاده شد. اعتبار سنجی خارجی در ابتدای تصویربرداری از بیماری آلزایمر انجام شد. يافته ها: مقايسه مدل، يک شاخص پيش آگهي را به عنوان توزيع وزني اطلاعات پیشینه پنج نشانگر طولي شناختي عصبي که به طور معمول در مطالعات مشاهده شده جمع آوري شده اند، محاسبه کرد. تجزیه و تحلیل روایی جامع شواهد جامعی از سودمندی مدل برای پیش بینی پیشرفت بیماری آلزایمر ارائه داد. بحث: مدل پیش آگهی با ترکیب چند نشانگر طولی بهبود یافته است. برای نظارت بر بیماری و شناسایی بیماران استفاده از کارآزمایی بالینی مفید است.

خطرات رو به رشد بهداشت عمومی ناشی از بیماری آلزایمر (AD)، فوریت کشف و ارزیابی نشانگرهای پیش آگهی برای تشخیص زودهنگام بیماری را افزایش داده است. در این راستا، تلاش های زیادی برای ساخت مدل هایی برای پیش بینی AD بوسیله یک مارکر یا ترکیبی از نشانگرهای متعدد اختصاص داده شده است که ناهمگونی را در میان افراد ترسیم می کند و پیشرفت بیماری افراد در معرض خطر را تشخیص می دهد [1]. از آنجایی که اختلال شناختی متوسط (MCI) یک وضعیت خطرناک برای AD است، تحقیقات موجود تعدادی از نشانگرهای بیومارکر را که پیش بینی تغییرات بالینی بیماران MCI [2-7] را شامل می شوند، از جمله نشانگرهای عصبی شناختی، نشانگرهای عصبی، ژنتیک و مایع مغزی نخاعی (CSF) هستند. این مطالعات نشان می دهد که اهمیت پیش آگهی در هنگام در نظر گرفتن نشانگرهای چند متغیره امری غیر قابل انکار است و پیش بینی یا تغییر کیفی (به عنوان مثال تبدیل از MCI به AD به عنوان پاسخ باینری) و یا تغییر کمی (یعنی نمرات شناختی) در چند سال آینده میسر می گردد. این مطالعات پیش بینی زمان MCI تا AD را بررسی نمی کند، زیرا این امر معمولا نتیجه اولیه در مطالعات بالینی AD است [8].پ تعداد نسبتا کمی از مطالعات اخیر، زمان سنجی MCI تا AD را در طول زمان پیگیری بر اساس مدل های رگرسيون كوكس مورد بررسی قرار داده اند [9-11]. این مطالعات ابزار پیش بینی کننده نشانگرهای پیش آگهی خاص را به صورت مستقل یا ترکیبی ارزیابی می کنند، اما تنها بر اندازه گیری های پایه نشانگرها متمرکز شده است. لی و همکاران [12] یک مدل مشترک از روش داده های طولی و زمان به منظور بررسی قابلیت مقایسه ی نشانگرهای طولی در تعیین خطر تغییر AD AD در زمان های آینده ایجاد کرده اند. با این حال، آنها هر یک از نشانگرهای طولی را به طور مستقل به دلیل محدودیت نرم افزار مدل سازی از لحاظ وضعیت فعلی مورد تجزیه و تحلیل قرار دادند. به نظر ما، هیچ کدام از مطالعت پیشین نشانگرهای طولی چندگانه و اطلاعات زمان به رویداد به طور مشترک را برای بررسی پیش آگهی AD را به درستی اعمال نکرده اند. هدف اصلی این مطالعه، ایجاد یک مدل پیش آگهی است که بر پایه اندازه گیری های نشانگرهای متعدد جهت پیش بینی بقای پیشرفت بدون علامت در بیماران مبتلا به MCI تکیه می کند. مدل پیش آگهی از چندین روش آماری پیشرفته استفاده می کند که این امکان را برای تسهیل تصمیم گیری بالینی بر اساس تمام اطلاعات جمع آوری شده فراهم می کند. ما مدل را با استفاده از داده های طرح ابتکاری 1 Neuroimaging Alzheimer's Initiative 1 (ADNI-1)، یک مجموعه داده های عمومی که به واسطه حجم نمونه بزرگ، عرض نشانگرها و ساختار آینده، مناسب است، برای این کار مناسب می کنیم. ارزش پیش آگهی شده تست های عصبی طولی، عصبی، ژنتیک و شاخص های CSF با استفاده از مدل پیش آگهی بررسی شد. اعتبار خارجی از مدل در ADNI-2 برای نشان دادن سودمندی مدل در سراسر مطالعات انجام شده است. خروجی اصلی مدل پیش آگهی یک شاخص پیش آگهی است که می تواند در طول زمان به عنوان اندازه گیری های جدید در دسترس باشد. چنین شاخصی برای نظارت بر پیشرفت بیماری برای بیماران MCI مفید است و غنی سازی آزمایشات بالینی با افرادی که احتمال دارد AD را توسعه می دهد.