脑淀粉样蛋白-β 积累预测模型的开发用于阿尔茨海默病的早期筛查

快速阅读: 据《JCN 新闻专线》称，大分大学与卫材株式会社合作开发了一种机器学习模型，能通过常规临床数据预测大脑淀粉样蛋白β积累，有助于阿尔茨海默病的早期筛查。该模型结合了年龄、性别、吸烟史、医疗史、血液检测数据及简易智力状态检查项目，其准确度在0.70至0.73之间。研究成果已发表在《阿尔茨海默病研究与治疗》期刊上。

东京，2025年2月14日 – （JCN新电信）— 大分大学和卫材株式会社（卫材）今日宣布，他们联合开发了一种机器学习模型，用于预测大脑中的淀粉样蛋白β（1）（淀粉样蛋白β）积累。该模型结合了年龄、性别、吸烟史和医疗史等背景数据，以及常规血液检查和简易智力状态检查（2）（简易智力状态检查）项目。预计这种模型将使全科医生能够在常规诊疗过程中预测大脑淀粉样蛋白β的积累，这是阿尔茨海默病（3）（阿尔茨海默病）的重要病理因素，并促进阿尔茨海默病的简单早期筛查。该模型的详细内容于2025年1月21日在同行评审医学期刊《阿尔茨海默病研究与治疗》的在线版上发表。目前，虽然可以通过正电子发射断层扫描（PET）（4）（淀粉样PET）和脑脊液检测（CSF）（5）（脑脊液检测）来检测大脑中的淀粉样蛋白β积累，但这些测试的成本高且侵入性强，被认为是问题所在。因此，在近年来，许多关于各种阿尔茨海默病相关血液生物标志物的研究被进行，以作为更方便的筛查方法。然而，几乎没有研究评估使用常规临床数据预测大脑淀粉样蛋白β积累模型的预测性能。本研究首次开发了一种机器学习模型，用于通过包括背景数据（如年龄、性别、吸烟史和医疗史）、常规血液检测数据（如肾功能、肝功能和甲状腺功能）以及简易智力状态检查项目的34项临床数据预测淀粉样PET阳性。该预测模型的评价指标——曲线下面积（AUC），在结合背景数据和常规血液检测数据的模型中为0.70，在结合背景数据、常规血液检测数据和简易智力状态检查数据的模型中为0.73，表明具有一定的预测准确性。抗淀粉样蛋白β抗体研究表明，如果在阿尔茨海默病早期阶段开始治疗，可能会带来更大的益处，这突显了早期检测大脑淀粉样蛋白β积累的重要性。这种机器学习模型可以基于常规诊疗过程中收集的临床数据来预测大脑淀粉样蛋白β积累，因此有望被全科医生广泛用于阿尔茨海默病的早期筛查。通过利用该模型确定是否有必要进行淀粉样PET和脑脊液检测，预计能够实现阿尔茨海默病的早期诊断和治疗启动，从而减轻患者的经济和身体负担。

（1）淀粉样蛋白β：一种被视为导致阿尔茨海默病的蛋白质，在发病前约20年在大脑中积累并形成老年斑。

（2）简易智力状态检查：一种评估认知功能的方法。它由定向力、记忆力、注意力/计算能力、延迟回忆、命名、重复、理解、阅读、书写和图形复制等项目组成，评分范围为30到0分（正常至严重）。

（3）阿尔茨海默病：最常见的痴呆症原因，其病理特征包括老年斑、神经纤维缠结和神经元细胞死亡。

（4）正电子发射断层扫描：一种可视化大脑中淀粉样蛋白β积累的脑成像测试。

（5）脑脊液检测：一种分析脑脊液中淀粉样蛋白β42、磷酸化Tau和总Tau作为阿尔茨海默病生物标志物的测试。

研究背景和概要

随着日本成为超级老龄化社会，65岁以上痴呆症患者数量上升，开发针对阿尔茨海默病的新治疗方法成为一个紧迫的问题。在阿尔茨海默病中，大脑中淀粉样蛋白β的积累是发病前的一个病理事件。研究表明，如果在阿尔茨海默病早期阶段开始治疗，抗淀粉样蛋白β抗体可能带来更大的益处，突显了早期检测大脑淀粉样蛋白β积累的重要性。尽管诸如淀粉样PET等影像学检查和体液生物标志物对于阿尔茨海默病诊断有用，但这些方法存在侵入性和成本问题。因此，许多基于机器学习的大脑淀粉样蛋白β预测模型已被开发作为简单的筛查工具，但这些模型通常包含在常规临床实践中未测量的标记，如影像学数据和载脂蛋白E基因型。本研究首次尝试仅使用在痴呆症护理中常规收集的背景数据和一般血液检测结果开发机器学习模型来预测淀粉样PET阳性。

研究结果及意义

这项研究利用了大分大学医院从2012年9月至2017年11月收集的门诊数据，以及2015年10月至2017年11月期间在日本大分县宇城市开展的一项前瞻性队列研究（宇城研究）中收集的65岁及以上无痴呆症老年人的数据。预测模型使用了三种机器学习技术：支持向量机、弹性网和L2正则化逻辑回归，结合了参与者背景（年龄、性别、吸烟史、医疗史——高血压、血脂异常、心脏病、中风、糖尿病、甲状腺疾病）、11项常规血液检测项目（肾功能、肝功能、甲状腺功能等）以及262名个体（136名男性，126名女性，中位年龄73.8岁）的简易智力状态检查项目得分，并评估了模型的性能。对于使用L2正则化逻辑回归的预测性能，结合参与者背景和简易智力状态检查项目的模型以及结合参与者背景和常规血液检测的模型均显示AUC为0.70，表明性能相似。此外，综合这些因素（参与者背景、常规血液检测和简易智力状态检查项目）的模型显示出更好的性能，AUC为0.73。分析表明，对淀粉样蛋白β积累预测的关键因素包括简易智力状态检查项目中的延迟回忆和地点定向、年龄、促甲状腺素和平均红细胞体积。

学术论文

标题：基于血液标志物和人口统计特征的机器学习模型分类正电子发射断层扫描上的大脑淀粉样蛋白阳性：一项回顾性观察研究

作者：金村典之（大分大学医学院神经科）、佐々木孝明（卫材株式会社）、增田照章（大分大学医学院神经科）、阿岳武（大分大学医学院神经科）、松本真理子（卫材株式会社）、北村美香（卫材株式会社）、中山洋介（卫材株式会社）、松原悦郎（大分大学医学院神经科）

出版商：《阿尔茨海默病研究与治疗》

如有采访请求或任何查询，请联系以下信息：

欲了解更多信息或有关此研究的任何查询

金村典之，大分大学医学院神经科副教授

电话：+81-(0)97-586-5814，传真：+81-(0)97-586-6502

电子邮件：naika3@oita-u.ac.jp

媒体咨询：大分大学公共关系部，总务部，总务部

电话：+81-(0)97-554-7376

卫材株式会社公共关系部