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。
Data‑driven cognitive composites predict Aβ‑related decline and progression to MCI: the ADOPIC study
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
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
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
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
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。
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。
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。
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。
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。
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。
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。
按研究目的归类文中使用的方法,便于定位所需技术。
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 |