在没有金标准的情况下，利用贝叶斯方法对阿尔茨海默病生物标志物的变化轨迹进行建模

《Statistics in Medicine》：Modeling Alzheimer's Disease Biomarkers' Trajectory in the Absence of a Gold Standard Using a Bayesian Approach

针对阿尔茨海默病（AD）预临床阶段研究，提出基于贝叶斯模型的新方法，直接建模潜在AD状态与生物标志物非线性轨迹，通过模拟和ADNI数据验证，减少临床诊断偏见，捕捉个体异质性，为早期AD研究提供数据驱动工具。

　　

摘要

为了加深我们对阿尔茨海默病（AD）的理解，尤其是在疾病临床前阶段，此时患者的大脑功能基本保持完整，最近的研究转向了研究整个疾病过程中的AD生物标志物。Jack及其同事提出了一种广泛采用的框架，该框架将这些生物标志物的变化过程从临床前阶段映射到症状出现阶段，并将其变化与疾病的潜在病理生理过程联系起来。然而，大多数现有研究依赖临床诊断来间接判断AD的病情，这可能会忽略疾病早期阶段——即生物标志物变化发生在临床症状出现之前的阶段。在这项工作中，我们开发了一种新的贝叶斯方法，直接将AD的潜在状态建模为潜在的疾病过程，并将生物标志物的变化轨迹视为疾病进展的非线性函数。这种方法允许我们更基于数据来探索AD的进展过程，从而减少由于临床诊断不准确而产生的偏差。为了解决个体间生物标志物测量结果的显著差异，我们引入了特定于受试者的潜在疾病轨迹，并加入了随机截距，以进一步捕捉生物标志物测量中的个体间差异。我们通过模拟研究评估了该模型的性能。将该模型应用于阿尔茨海默病神经影像学研究计划（ADNI）的数据，获得了可解释的临床见解，展示了这种方法在帮助理解AD生物标志物演变方面的潜力。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可在ADNI网站上公开获取：https://adni.loni.usc.edu/。