编辑推荐：
为解决现有 MCI 转 AD 动态生存预测模型的不足，研究人员开展基于受限平均生存时间（RMST）时间尺度指标的贝叶斯联合模型（JM）研究。开发了 LM-ST 和 JM-LT 模型，其预测性能优于静态模型，为医疗决策提供科学依据。
在当今社会，老龄化问题日益凸显，神经系统疾病也逐渐成为人们关注的焦点，其中阿尔茨海默病（Alzheimer's disease，AD）更是备受瞩目。AD 作为一种不可逆的神经退行性疾病，正无情地侵蚀着无数患者的生活。全球约有 5700 万人饱受痴呆症的折磨，而 AD 在其中占据了 60%-80% 的比例。它就像大脑中的 “慢性杀手”，以渐进性的脑生化和形态病理变化为特征，目前尚无有效的治疗手段能够阻挡其发展的脚步。
轻度认知障碍（Mild Cognitive Impairment，MCI）作为 AD 的前驱阶段，患者虽存在一定程度的认知损伤，但仍能维持日常活动。这群患者有着不同的进展为 AD 的风险，是预测 AD 发病风险的潜在研究对象。然而，目前缺乏能够精准预测 MCI 向 AD 转化，并及时识别高风险 MCI 患者的有效方法，这成为了医学领域亟待攻克的难题。
以往的研究探索了影像标记物、生物标志物和神经认知测试等预测 MCI 向 AD 进展的因素。其中，神经认知测试凭借其价格低廉、操作简便、无创等优势，在大规模认知筛查中发挥着重要作用，像临床痴呆评定量表总和（Clinical Dementia Rating-sum of Boxes，CDRSB）评分和 13 项阿尔茨海默病评估量表（13-item Alzheimer's Disease Assessment Scale，ADAS13）评分，都是关键的预测因素。
在长期监测 MCI 患者的过程中，神经认知测试分数（如 CDRSB 和 ADAS13 评分）会随时间发生变化。患者们迫切希望了解自己在整个病程中的预后情况，想知道在不同观察时间点（s）进展为 AD 的可能性。但传统的静态生存预测模型，如 Cox 回归，只能利用基线测量（s0）的信息，无法纳入后续测量数据，也只能从基线时间点进行预测，远远不能满足患者的需求。
现有的动态生存预测模型大多基于风险率模型，可患者最关心的是 “我还要多久会进展为 AD？” 为了直接回答这个问题，本研究选择受限平均生存时间（Restricted Mean Survival Time，RMST）作为研究指标，它指的是在固定时期内（如感兴趣的时间段）的预期生存时间，可通过计算 Kaplan-Meier 生存曲线下的面积得到估计值。但现有的动态 RMST 方法只能处理单个纵向协变量。
为了突破这些困境，来自未知研究机构的研究人员开展了深入研究。他们提出了基于 RMST 时间尺度指标的贝叶斯联合模型（Bayesian joint model，JM），该模型不仅能实现动态预测，还能捕捉多个纵向协变量的轨迹。同时，研究人员结合地标法（Landmark，LM），开发了用于短期动态预测的 LM-ST 模型和用于长期动态预测的 JM-LT 模型，并利用阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative，ADNI）数据库进行研究。
研究人员使用的主要关键技术方法包括：提出贝叶斯 JM 方法，结合地标法（LM）构建并应用动态预测模型（LM-ST 和 JM-LT 模型），利用 ADNI 数据库中的数据进行模型开发和验证。
研究结果
- 模型开发数据集情况：模型开发数据集（ADNI1 和 ADNIGO）包含 503 人，删失率为 53.1% 。患者随访时间在 0.42-16.4 年之间，中位随访时间为 3 年，总体 3 年生存率（无 AD 率）为 49.9%。
- 外部验证数据集情况：外部验证数据集（ADNI2 和 ADNI3）有 484 人，删失率达 70.5%。患者随访时间范围是 0.39-11.8 年，中位随访时间为 2.9 年。
- 模型预测性能比较：通过内部和外部验证发现，LM-ST 和 JM-LT 模型的预测性能优于静态 RMST 模型。研究人员还创建了用于这两个动态预测模型的在线网络工具，以便于临床应用。
研究结论与讨论
这项研究意义重大，它提出的基于 RMST 的贝叶斯 JM 方法，结合现有的 LM 方法，从短期和长期两个角度解释了 MCI 向 AD 的进展过程，成功解答了患者关心的 “我还要多久会进展为 AD 阶段？” 这一问题。这有助于临床医生更准确地预测患者病情，做出更科学的医疗决策，为阿尔茨海默病的防治提供了新的方向和有力的支持。该研究成果发表在《Artificial Intelligence in Medicine》上，有望推动相关领域的进一步发展，为攻克阿尔茨海默病带来新的希望。
