——利用家庭醫(yī)生在日常醫(yī)療護理中可收集的數(shù)據(jù)建立的機器學習模型——
日本東京2025年2月19日 /美通社/ -- 近日，大分大學和衛(wèi)材宣布開發(fā)了一種機器學習模型，用于預測腦內β-淀粉樣蛋白（Aβ*[1]）的積累。該模型結合了年齡、性別、吸煙史和病史等背景數(shù)據(jù)，以及常規(guī)血液檢查和MMSE*[2]（簡易精神狀態(tài)檢查）項目。該模型預計將使初級保健醫(yī)生能夠在常規(guī)體檢中預測腦內Aβ的積累，這是阿爾茨海默?。ˋD*[3]）的重要病理因素，并有助于進行簡單的早期篩查。
該模型的詳細信息已于2025年1月21日發(fā)表在同行評審的醫(yī)學期刊《Alzheimer's Research & Therapy》的在線版上。
目前，雖然腦Aβ積累可以通過正電子發(fā)射斷層掃描（淀粉樣蛋白PET*[4]）和腦脊液檢測（CSF檢測*[5]）來檢測，但這些檢測的高成本和侵入性仍是亟待解決的問題。因此，近年來，眾多研究致力于開發(fā)多種與阿爾茨海默?。ˋD）相關的血液生物標志物，以期提供一種更為便捷的篩查方法。然而，以往很少有研究評估使用常規(guī)臨床數(shù)據(jù)來預測腦部Aβ積累模型的性能。本研究首次開發(fā)了一種機器學習模型，該模型利用了34項臨床數(shù)據(jù)，包括背景數(shù)據(jù)（年齡、性別、吸煙史和病史）、常規(guī)血液檢查數(shù)據(jù)（如腎功能、肝功能、甲狀腺功能）以及癡呆護理中常規(guī)收集的簡易智能狀態(tài)檢查（MMSE）項目，來預測淀粉樣蛋白PET陽性。評估結果顯示，該預測模型的曲線下面積（AUC）分別為0.70（僅結合背景數(shù)據(jù)和常規(guī)血液檢查數(shù)據(jù)）和0.73（結合背景數(shù)據(jù)、常規(guī)血液檢查數(shù)據(jù)和MMSE數(shù)據(jù)），表明該模型具有一定的預測準確性。
Aβ抗體已在AD早期階段治療中顯示出可能提供更大益處的潛力1，因此，早期檢測腦內Aβ積累顯得至關重要。此機器學習模型能夠利用常規(guī)醫(yī)療護理中收集的臨床數(shù)據(jù)來預測腦部Aβ積累，預計將被初級保健醫(yī)生廣泛應用于AD的早期篩查。
通過利用該模型來確定淀粉樣蛋白PET和CSF檢測的必要性，預計將有助于AD的早期診斷和治療啟動，并減少患者的經濟和身體負擔。
術語表
*[1] β-淀粉樣蛋白：被視為阿爾茨海默病病因的蛋白質，在疾病發(fā)作前約20年在大腦中積累并形成老年斑。
*[2] MMSE（簡易精神狀態(tài)檢查）：一種評估認知功能的方法。它包括定向力、記憶力、注意力/計算、延遲回憶、命名、重復、理解、閱讀、寫作和圖形復制等評估項目，評分范圍為30至0分（正常至嚴重）。
*[3] 阿爾茨海默?。鹤畛Ｒ姷陌V呆病因，其病理特征包括老年斑、神經原纖維纏結和神經元細胞死亡。
*[4] 淀粉樣蛋白PET：一種可視化大腦中Aβ積累的腦部成像檢測。
*[5] 腦脊液檢測：一種分析腦脊液中Aβ42、磷酸化tau和總tau作為阿爾茨海默病生物標志物的檢測。
研究背景與概述
隨著日本進入超老齡化社會，65歲以上癡呆患者數(shù)量增加，開發(fā)針對AD（最常見的癡呆病因）的新治療藥物成為緊迫問題。在AD中，腦部Aβ的積累是疾病發(fā)作前的病理事件。研究表明，抗Aβ抗體在AD早期階段開始治療時可能提供更大的益處1，這凸顯了早期檢測腦部Aβ積累的重要性。雖然淀粉樣蛋白PET等成像技術對AD診斷有用，液體生物標志物也用于檢測，但這些方法存在侵入性和成本問題。
因此，許多基于機器學習的腦部Aβ預測模型被開發(fā)為更簡單的篩查工具，但這些模型通常包含常規(guī)臨床實踐中未測量的標志物，如成像數(shù)據(jù)和ApoE基因型。本研究首次嘗試開發(fā)一種機器學習模型，僅使用癡呆護理中常規(guī)收集的背景數(shù)據(jù)和常規(guī)血液檢查結果來預測淀粉樣蛋白PET陽性。
研究結果與意義
本研究利用了大分大學醫(yī)院在2012年9月至2017年11月期間收集的門診數(shù)據(jù)，以及2015年10月至2017年11月期間在大分縣臼杵市進行的關于65歲及以上無癡呆老年人的前瞻性隊列研究（USUKI STUDY）數(shù)據(jù)。預測模型使用了三種機器學習技術：支持向量機、彈性網絡和L2正則化邏輯回歸，結合了12項參與者背景數(shù)據(jù)（年齡、性別、吸煙史、病史-高血壓、血脂異常、心臟病、中風、糖尿病、甲狀腺疾?。?、11項常規(guī)血液檢查項目（腎功能、肝功能、甲狀腺功能等）以及262名輕度認知障礙或正常認知功能個體（136名男性，126名女性，中位年齡73.8歲）的11項MMSE項目評分，并評估了模型的性能。
使用L2正則化邏輯回歸的預測性能顯示，結合參與者背景和MMSE項目的模型以及結合參與者背景和常規(guī)血液檢查的模型的AUC均為0.70，表明性能相似。此外，結合所有這些元素（參與者背景、常規(guī)血液檢查和MMSE項目）的模型顯示出更高的性能，AUC為0.73。分析預測Aβ積累的關鍵因素，發(fā)現(xiàn)MMSE項目中的延遲回憶和地點定向、年齡、促甲狀腺激素和平均紅細胞體積是重要因素。
學術論文：
英文標題：Machine learning models for dementia screening to classify brain amyloid positivity on positron emission tomography using blood markers and demographic characteristics: a retrospective observational study
日文標題：血液マーカーと人口統(tǒng)計學的特徴を用いてアミロイドPET における脳アミロイド陽性を分類する認知癥スクリーニングのための機械學習モデル：後ろ向き観察研究
作者：Noriyuki Kimura（大分大學醫(yī)學部神經內科）、Kotaro Sasaki（衛(wèi)材株式會社）、Teruaki Masuda（大分大學醫(yī)學部神經內科）、Takuaki Ataka（大分大學醫(yī)學部神經內科）、Mariko Matsumoto（衛(wèi)材株式會社）、Mika Kitamura（衛(wèi)材株式會社）、Yosuke Nakamura（衛(wèi)材株式會社）、Etsuro Matsubara（大分大學醫(yī)學部神經內科）
出版雜志：《Alzheimer's Research & Therapy》
參考文獻
1. Sperling, R., Selkoe, D., Reyderman, L., Youfang, C., Van Dyck, C. (2024, July 28 - August 1). Does the Current Evidence Base Support Lecanemab Continued Dosing for Early Alzheimer's Disease? [Perspectives Session] Alzheimer's Association International Conference, Philadelphia, PA, United States.
編號：ECN-2025-0017
