基于贝叶斯整合模型的阿尔茨海默病纵向与生存数据联合预测研究

这篇研究通过贝叶斯模型平均（BMA）结合多元功能混合模型（MFMM），整合阿尔茨海默病（AD）患者的多维纵向指标（MMSE、CDR-SB）与生存数据，显著提升了AD痴呆转化预测的准确性（C-index达0.777）。研究在ADNI和NACC队列中验证了模型的普适性，为个性化医疗和临床试验设计提供了动态风险评估工具。

　　

背景

阿尔茨海默病（AD）作为进行性神经退行性疾病，其早期预测对干预和临床试验至关重要。现有模型多依赖静态数据或单一纵向指标，难以捕捉疾病动态进展。本研究创新性地通过多元功能混合模型（MFMM）整合认知功能量表（MMSE）和临床痴呆评定量表（CDR-SB）的纵向轨迹与生存数据，并引入贝叶斯模型平均（BMA）优化预测鲁棒性。

方法

队列设计：训练队列来自阿尔茨海默病神经影像计划（ADNI，n=1012），验证队列采用国家阿尔茨海默病协调中心（NACC，n=2087）的更多样化人群。

模型构建：

• •

  纵向子模型：分解MMSE和CDR-SB为共享变异（反映全局进展）和指标特异性变异。

• •

  生存子模型：纳入年龄、性别、APOEε4等基线变量，通过6种关联结构（如历史模型、滞后模型）关联纵向数据。

  BMA优化：采用堆叠法（stacking）和伪BMA+（pseudo-BMA+）整合模型，避免传统DIC准则的局限性。

结果

预测性能：

• •

  ADNI队列中，BMA堆叠法的C-index达0.777，显著优于单一复合模型（0.758，p<0.001）。

• •

  NACC验证显示模型普适性（C-index=0.743），尤其在少数族裔群体中保持稳定。

  案例演示：

• •

  受试者A（APOEε4阴性）的6年痴呆风险预测误差仅2.1%，而快速进展者B（APOEε4阳性）的预测准确捕捉到4年内转化。

讨论

临床意义：

• •

  动态整合纵向数据可优化高风险患者分层，助力临床试验入组。

• •

  BMA通过加权多模型输出，降低过拟合风险（如历史模型权重达42%）。

  局限性：未纳入神经影像等生物标志物，且NACC随访时间较短可能影响长期预测。

未来方向

扩展多组学数据整合，并探索在主观认知下降人群中的应用，以推动AD超早期干预。

（注：全文严格依据原文数据，未添加非文献结论；专业术语如APOEε4、C-index等均保留原文格式。）