Bringing medical advances from the lab to the clinic.
关键词：AD；老龄化；大规模筛查；Journal of Alzheimer’s Disease
点击👆，关注阿尔茨海默病研究进展
阿尔茨海默病(AD)作为一种进行性的神经退行性疾病，其发病率在全球范围内不断上升，给患者家庭以及社会医疗系统带来了沉重的负担。随着人口老龄化的加剧，AD及其早期阶段——轻度认知障碍（MCI）——的早期诊断和干预显得尤为重要。MCI被视为AD的临床前期状态，患者在此阶段虽然尚未达到痴呆的诊断标准，但已出现记忆力或其他认知功能的轻微下降。及早识别MCI不仅有助于对患者进行及时的干预和治疗，还可能延缓或阻止病情进展至AD【1】。
然而，传统的临床诊断方法往往依赖于复杂的神经心理测试和昂贵的生物标志物检测，这些方法在资源有限的地区或大规模筛查中难以广泛应用。因此，研究者们一直在寻找更为简便、经济且有效的工具，以便于在初级医疗保健机构中快速识别MCI患者。在此背景下，MemTrax作为一种在线的连续记忆测试工具，因其操作简便、易于推广的特点，被寄予厚望。MemTrax通过测量用户对重复图像的识别反应，评估用户的时序记忆能力，为认知功能下降的早期发现提供了新的可能性【2】。
2020年9月4日，Michael F. Bergeron 等研究学者们在国际著名期刊 Journal of Alzheimer’s Disease 上发表题为 Utility of MemTrax and Machine Learning Modeling in Classification of Mild Cognitive Impairment 的研究论文【3】。本研究将MemTrax测试结果与机器学习建模相结合，旨在开发出一种新的、高效的MCI分类工具，以期在临床实践中实现对MCI的快速、准确识别，为患者提供更早期的干预和治疗。
研究发现，MemTrax在线连续记忆测试的性能指标与MCI的分类有显著相关性。通过机器学习模型，特别是朴素贝叶斯分类器，可以有效地使用MemTrax性能指标和相关人口统计学特征来预测个体的认知健康状况（正常或MCI）。此外，MemTrax在基于机器学习的分类预测模型中的应用，对于检测早期阶段的认知障碍具有潜在的实用价值。
(如需原文，请加微信healsana获取，备注20200904JAD)
主要结果
🔷 MemTrax性能指标的有效性：
研究发现MemTrax的两个关键性能指标——正确率百分比（MTx-%C）和平均反应时间（MTx-RT）——在区分正常认知功能与MCI方面具有显著的预测价值。
🔷 机器学习模型的构建与验证：
通过使用机器学习方法，特别是10fold交叉验证，研究者构建了多个预测模型。这些模型能够基于MemTrax性能指标和相关的人口统计学及健康档案特征，对参与者的认知健康状况进行分类。
🔷 模型性能评估：
使用接收者操作特征曲线下面积（AUC）作为模型性能的评估指标。结果显示，朴素贝叶斯分类器在所有模型中表现最佳，整体分类性能达到了0.9093。
🔷 特征选择的重要性：
研究还发现，使用经过筛选的四个最佳特征（年龄、教育年数、MTx-%C、MTx-RT）构建的模型，其性能（0.9119）优于使用所有十个共同特征构建的模型（0.8999），表明特征选择对于提高模型性能至关重要。
🔷 不同学习器的性能比较：
在比较不同的机器学习算法时，朴素贝叶斯分类器在多个模型中均显示出最高的分类性能，其后是逻辑回归和支持向量机。
🔷 临床诊断严重程度的预测：
研究还探讨了MemTrax在预测临床诊断严重程度（如轻度与重度）方面的应用潜力，特别是在血管性痴呆（VaD）和阿尔茨海默病（AD）的诊断中。
表1. 用于MoCA分类的建模方案变化汇总（认知正常的健康参与者 vs MCI）
表2. 用于诊断严重程度分类的建模方案变化汇总（轻度 vs 重度）
表3. 各模型分类策略的参与者特征、MoCA得分和MemTrax性能
表4. 二元MoCA得分分类性能（AUC；0.0-1.0）结果
表5. 二元临床诊断严重程度分类性能（AUC；0.0-1.0）结果
原文链接：
【1】Alzheimer’s Association (2016) 2016 Alzheimer’s disease facts and figures. Alzheimers Dement 12, 459-509.
【2】Bergeron MF, Landset S, Tarpin-Bernard F, Ashford CB, Khoshgoftaar TM, Ashford JW (2019) Episodic-memory performance in machine learning modeling for predicting cognitive health status classification. J Alzheimers Dis 70, 277-286.
【3】https://doi.org/10.3233/JAD-191340
声明：
本文只是分享和解读公开的研究论文及其发现，以作科学文献记录和科研启发用；并不代表作者或本公众号的观点，更不代表本公众号认可研究结果或文章。
为了给大家提供一个完整而客观的信息视角，我们有时会分享有冲突或不同的研究结果。请大家理解，随着对疾病的研究不断深入，新的证据有可能修改或推翻之前的结论。
作者：Amber Wang，编辑：Jessica，微信号：Healsanq。助理：ChatGPT
推文报告机构：
“征战AD公众号”以分享阿尔茨海默病领域最新研究为主旨，希望由此推动由实验室向临床应用的转化。欢迎您的投稿与合作；也希望其他医学科学家以推文的形式分享您的研究成果。
点击👆，关注AD研究进展
运营：美国Healsan咨询公司AD项目组，专注于临床科研及临床试验的服务公司，擅长于针对阿尔茨海默病的临床科研设计及临床试验结果的报告撰写。
网址：https://healsan.com/
(索要原文或投稿请联系：healsana)
