数据驱动的认知复合评分预测Aβ相关衰退及向MCI的进展:ADOPIC研究

Data‑driven cognitive composites predict Aβ‑related decline and progression to MCI: the ADOPIC study

作者信息Bhargav Tallapragada, Brook Galna, Rosita Shishegar, Shaun J Markovic, Belinda M Brown, Vincent Dore, Simon M Laws, Tenielle Porter, Samantha Burnham, Yen Ying Lim, Jason Hassenstab, Christopher C Rowe, Liang Jin, Jurgen Fripp, James D Doecke, Duygu Tosun, Michael Weiner, Ralph N Martins, John C Morris, Colin L Masters, Paul Maruff, Hamid R Sohrabi, of ADOPIC study
PMID42860384
发布时间2026-10
DOI10.1002/alz.71917

实验完整度

中

基于ADNI、AIBL、OASIS多队列统一数据,行PCA开发复合评分并统计验证,但无独立样本验证及功能机制实验

主要模型

ADNI队列认知正常老年人 AIBL队列认知正常老年人 OASIS队列认知正常老年人

重点核对

基线Aβ-PET Centiloid值分组:Aβ+定义为Aβ负荷≥20 CL 纵向子集纳入标准:≥3次认知评估,共1110人(5297次观察) 线性混合模型纳入基线年龄×时间、APOE ε4×时间、Aβ状态×时间交互项 Cox回归以首次CDR全局评分=0.5定义为进展至MCI XGBoost分类中使用网格搜索交叉验证确定的超参数

摘要

引言:与单项测试相比,认知复合评分对淀粉样蛋白β(Aβ)相关衰退具有更高的敏感性,可用于追踪纵向认知变化。我们基于统一的阿尔茨海默病痴呆起病与进展国际队列(ADOPIC)研究,开发并验证了数据驱动的复合评分,弥补了心理测量学报告和多队列验证方面的不足。方法:研究纳入1964名基线认知正常(CU)参与者(纵向子集=1110)。评估了主成分分析衍生的领域特异性和一般认知复合评分的心理测量学特性、对Aβ相关衰退的敏感性,以及与阿尔茨海默病协作研究-临床前阿尔茨海默认知复合评分(ADCS-PACC)相比对轻度认知障碍(MCI)进展的预测能力。结果:所提出的复合评分表现出良好至极好的心理测量学特性,以及对CU Aβ轨迹的区分敏感性(p < 0.001)。一般认知表现出与ADCS-PACC相当的纵向敏感性(d = −0.20)和等效的分类性能(受试者工作特征曲线下面积 = 0.70)。所有复合评分均显著预测MCI进展(p < 0.001)。讨论:这些复合评分在为Aβ阳性CU开发的ADCS-PACC的纵向敏感性方面表现相当,同时提供了全面的心理测量学特征和领域特异性测量,支持其作为临床前阿尔茨海默病研究中结局指标的实用性。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
通过PCA在大规模多队列统一数据中优化的认知复合评分,能否比理论驱动的ADCS-PACC更好地识别Aβ相关认知衰退并预测向MCI的进展?
核心机制
基线Aβ状态×时间交互作用显著预测认知复合评分的纵向下降;APOE ε4携带×时间交互作用在学习和记忆及一般认知中显著。
主要证据
基于1964名CU参与者基线数据行PCA开发四个复合评分;在1110名纵向子集中用线性混合模型显示所有复合评分对Aβ相关衰退敏感(p<0.01);Cox回归显示所有复合评分显著预测MCI进展(p<0.001);XGBoost分类中一般认知ROC-AUC=0.70,与ADCS-PACC相当。
研究意义
这些复合评分在为Aβ阳性CU开发的ADCS-PACC的纵向敏感性方面表现相当,同时提供全面的心理测量学特征和领域特异性测量,支持其作为临床前阿尔茨海默病研究中结局指标的实用性。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

多队列数据统一与样本构建

建立可进行PCA和纵向分析的大规模统一认知数据集

从ADOPIC研究获取ADNI、AIBL、OASIS三个队列的认知、Aβ-PET和人口学数据;对认知测试分数使用MissForest插补以统一;纳入基线CDR全局评分0的CU参与者1964人。

2

Aβ-PET定量与APOE ε4基因分型

确定基线Aβ状态和APOE ε4携带状态

使用多种Aβ-PET示踪剂,通过统计参数映射Centiloid管道平滑和空间标准化图像,用capAIBL归一化并量化脑Aβ负荷为CL值;APOE ε4分为非携带者和携带者。

3

PCA开发认知复合评分

从统一认知测试数据中提取领域特异性和一般认知复合评分

对1964名CU基线数据进行PCA,z分数基于CU Aβ−组均值和标准差转换;KMO评估采样充分性;进行varimax旋转,平行分析和Kaiser准则确定主成分数;以载荷≥0.8阈值选择测试,按载荷加权平均构建复合评分。

4

心理测量学验证

评估复合评分的信度、效度和分布特征

使用GLM控制年龄、性别、教育、APOE ε4评估CU Aβ+与Aβ−组差异及CU Aβ+与MCI Aβ+组差异;McDonald's omega评估内部一致性;偏度和峰度评估分布;地板和天花板效应计算。

5

纵向Aβ相关衰退敏感性分析

评估复合评分对基线Aβ相关认知衰退的敏感性

对1110名纵向子集使用线性混合模型,逐步加入基线Aβ状态、APOE ε4、时间及其交互项;进行Jackknife重采样比较复合评分与ADCS-PACC和MMSE的Aβ相关斜率差异。

6

预测MCI进展

评估基线复合评分预测向MCI进展的能力

使用Cox比例风险回归,以基线年龄、性别、教育为基础模型,逐步加入Aβ状态、APOE ε4和复合评分;C-index评估区分度;敏感性分析将6名直接进展为痴呆者重新分类为事件。

7

分类性能评估

评估复合评分区分MCI进展者与CU稳定者的敏感性和特异性

使用XGBoost,以80%训练集和20%测试集划分,对少数类进行上采样,1000次bootstrap重采样计算95% CI;评估ROC-AUC、敏感性、特异性、预测值。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
认知复合评分开发与验证
PCA权重计算方式及领域特异性复合评分定义
阅读提示:Methods 2.4.1节和Table 3
纵向敏感性分析
线性混合模型随机效应结构及交互项设置
阅读提示:Methods 2.4.3节和Table 4
MCI进展预测
MCI事件定义及随访截尾规则
阅读提示:Methods 2.4.4节
分类性能评估
XGBoost超参数及训练/测试集划分
阅读提示:Methods 2.4.5节