参加者
病院由来の認知障害コホートであるMIMIコホートからケースグループとして募集された、aMCI患者461名とAD認知症の可能性のある患者238名を含む1,223名の参加者が登録された（臨床試験：NCT06534658、登録日：2024-07-18）。さらに、対照群として、SheMountain老化コホート（臨床試験：NCT05667935、登録日：2022-12-13）から、年齢が一致する524人のCUを採用した。両方のコホートは同じ基準に基づいて募集され、参加者は早ければ2022年に上海から募集されました。この研究に貢献するすべての手順は、人体実験に関する関連する国および機関の委員会によって設定された倫理基準、および 2008 年に修正された 1975 年のヘルシンキ宣言に準拠しています。瑞金病院の倫理委員会は、人間の参加者/患者が関与するすべての手順を承認しました (承認番号: 2022 – 254)。含まれているすべての参加者から書面による同意を得ました。この研究で使用された参加者の登録と研究方法の詳細を示すフローチャートは、補足図1にあります。
臨床評価と診断
すべての参加者は、人口統計（年齢、性別、教育年数）、家族歴、病歴の提供を求められ、モントリオール認知評価（MoCA）、臨床認知症評価スケール（CDR）、ボストン診断失語症スケールによるクッキー盗難写真記述タスクなどの神経心理学的検査を受けました。
これらの診断は、採用後の認知テストに基づいていました。 MCI および AD または AD の可能性の臨床診断は、NIA-AA 基準 (2011 年) に基づいていました。 [12]。以下の文章では一律にADと表記します。 CU グループは臨床相談後、認知障害がないとみなされました。前頭側頭葉変性症、血管性認知症、レビー小体型認知症などの他の変性疾患、認知機能障害を引き起こす可能性のある全身疾患、精神障害、または重度の聴覚障害または視覚障害による認知障害がある場合、参加者は除外されました。
音声録音プロトコル
APOE ジェノタイピング
血液サンプルからのゲノム DNA は、TIANamp Blood DNA キット (DP348-03、TIANGEN、北京、中国) を使用して精製しました。 APOE 遺伝子型は、ジェノタイピング アッセイ (TaqMan、4351370、USA) および The LightCycle® 480 System (Roche、USA) を使用したリアルタイム定量 PCR (qPCR) によって分類されました。多型により、アミノ酸位置 158 (rs7412) で ɛ2 対立遺伝子と ɛ3 および ɛ4 対立遺伝子が区別され、アミノ酸位置 112 (rs429358) での ɛ4 対立遺伝子と ɛ2 および ɛ3 対立遺伝子が区別されます。
血清タンパク質の定量
静脈血を血清チューブ (BD Vacutainer® Serum Tubes、米国) に収集し、2,000 × g、4 °C で 10 分間遠心分離しました。得られた血清を 500 μl に分割し、さらなる測定のために -80 °C で凍結しました。すべてのサンプルの凍結融解サイクルは 3 回まででした。測定時には、サンプルの破片が測定を妨げないように、サンプルを室温で急速に解凍し、分析前に 10,000 × g で 15 分間遠心分離しました。血清グリア原線維酸性タンパク質 (GFAP)、ニューロフィラメント軽鎖 (NFL)、β アミロイド 40 (Aβ40)、β アミロイド 42 (Aβ42)、リン酸化タウタンパク質 181 (p-Tau181) およびリン酸化タウタンパク質 217 (p-Tau217) の濃度は、シングル測定器を使用して測定されました。分子免疫の検出 (SMID) プラットフォーム (AST-Sc-Lite、ASTRABIO、中国)。完全に自動化された SMID 原理ベースのマシンです。サンプルは、バイオマーカーごとに 2 段階の免疫プロセスを使用して測定されました。簡単に説明すると、25 μL の血清を 25 μL の試薬 1 と素早く混合しました。試薬 1 は主に捕捉抗体でコーティングされた磁気ビーズで構成されていました。 40℃で6分間インキュベートした後、検出抗体と結合した単一分子イメージングフルオロフォアを含む10μLの試薬2を加え、続いてさらに素早く混合し、4分間インキュベートしました。反応後の混合物は、続いて磁気ビーズの収集、単層ビーズアレイの形成、洗浄および画像化のために測定フローセルに移されました。次に、各バイオマーカーの濃度が、事前に作成された標準曲線を使用して計算されました。すべての分析手順は、アッセイおよび機械メーカーのプロトコルに従って、参加者の状態および臨床データを知らされていない十分に訓練された技術者によって、メーカーのプロトコルに従って実行されました。検査値が平均±標準偏差の 3 倍を超えるサンプルは除外されました。
18F-フロベタピル (AV-45) PET イメージング
参加者のうち 201 人が 2 週間以内に 18F-フロルベタピル (AV45) PET/MR スキャンを受けました。 PET および MRI は、ベンダー提供の 12 チャネル フェーズ アレイ ヘッド コイルを使用し、3.0 T ハイブリッド PET/MR スキャナー (Biograph mMR; Siemens Healthcare、エアランゲン、ドイツ) で実行されました。すべての参加者は、Aβ を画像化するために平均用量 3.7 MBq/体重 kg の AV45 を静脈内注射され、ボーラス注射の 40 ～ 60 分後に統計的な PET 画像が取得されました。この結果は、経験豊富な核医学医師2名が共同で得たものです。各脳領域の小脳値に基づく標準化取り込み値比 (SUVR) は、ツールボックス SNBPI を使用して抽出されました。 [14]。脳全体の Aβ 負荷は、前頭部、前部/後部帯状回、側頭頂部、側頭葉領域を含む Aβ メタ関心領域 (メタ ROI) マスクによって推定されました。参照領域は小脳です。 [15]これは、さまざまな脳領域における Aβ 沈着の標準化された評価を提供するためのテンプレートとして使用できます。
統計分析
各デジタルおよび血清バイオマーカーの極値（平均値から SD の少なくとも 3 倍離れた値）を除外しました。欠損データの扱いについては、診断群内の平均値を代入する方法を採用した。カイ二乗検定を使用して、グループ間のカテゴリ変数の差異を分析しました。 ANOVA および Tukey 事後比較を、体液バイオマーカー、MRI、PET 測定などの連続変数で使用して、グループ間の差異を分析しました。 PSD、血清バイオマーカー、およびスケールテストスコアの間の相関関係は、年齢、性別、教育レベル、およびAPOE遺伝子型を制御変数として使用する偏相関分析を使用してテストされました。 LOWESSは、PSD、血清p-Tau217、Aβ42/40、脳アミロイド沈着の間の関連性のために使用されました。
サンプルサイズが異なるため、過剰適合を回避しながら最大の有効性を達成するために、臨床的に翻訳可能な予測パフォーマンス（期待される CI 診断 AUC ≥ 0.90、Aβ 予測 AUC ≥ 0.85）を達成することを目的として、XGBoost アルゴリズムとロジスティック回帰モデルを使用して分類モデルが構築されました。有効性を検証するために、XGBoost モデルは内部 8:2 のトレーニングと検証セットの分割を採用しましたが、ロジスティック回帰モデルはサンプル サイズの制限により 5 分割相互検証を利用して、モデルのパフォーマンスが予想されるターゲットに確実に近づくようにしました。まず、人口統計、遺伝子、体液バイオマーカー、デジタル マーカーを含む最適なモデルを確立しました。特徴選択は、(SHapley Additive exPlanations v0.44.0) SHAP ガイドによる逆方向除去を介してトレーニング セットのみで実行され、プロセス全体でテスト データの漏洩がないことが保証されます。シャープ [16] モデルの出力に対する各機能の影響を定量化するためにも使用されました。最後に、受信者動作特性 (ROC) 曲線の下の面積 (AUC)、精度、特異性、および感度を使用して、モデルの効果を評価しました。 AUC の差は、DeLong 統計を使用して決定されました。パラメータが最も少なく、最良のモデルと大きな差がない AUC を持つモデルが、最も効率的なモデルとして選択されました。ハイパーパラメータはグリッド検索を使用して最適化されました。 XGBoost モデルの場合、最適なハイパーパラメーターは、nrounds = 200、max_ Depth = 6、eta = 0.01、gamma = 0.1、colsample_bytree = 0.8、min_child_weight = 1、subsample = 0.8 でした。ロジスティック回帰に関しては、ハイパーパラメータはペナルティ alpha = 1 (L1 正則化)、正則化強度 lambda = 0.0285 でした。サンプルサイズが大きいため、高効率を維持しながら過学習を防ぐために、より堅牢なロジスティック回帰を選択しました。一方、RMDAパッケージを通じて決定曲線をプロットすることにより、さまざまなモデルの臨床応用効果を評価しました。 P-値
1761048711
#音声デジタル #バイオマーカーと流体バイオマーカーを組み合わせて機械学習を通じて認知障害を予測する #アルツハイマー病の研究と治療
2025-10-21 12:05:00