两阶段血浆生物标志物算法GRAD减少Aβ-PET使用并改善p-Tau217灰区分类：Aβ阳性预测与分诊新策略

《Annals of Clinical and Translational Neurology》：A Two-Stage Plasma Biomarker Algorithm Reduces Amyloid PET Use and the p-Tau217 Gray Zone

　　

目标：血浆p-Tau₂₁₇（phosphorylated tau217，磷酸化tau217）使30%–50%患者处于不确定“灰区”，常需Aβ-PET（amyloid-β positron emission tomography，淀粉样β正电子发射断层扫描）。研究人员开发了GRAD（Gatekeeper-Reflex for Alzheimer's Disease），一种两阶段Aβ阳性预测模型，以改善分类并将Aβ-PET保留给残余不确定性。方法：GRAD在145名认知受损ADNI（Alzheimer's Disease Neuroimaging Initiative，阿尔茨海默病神经影像学倡议）参与者中开发，并在1644名认知正常A4/LEARN（Anti-Amyloid Treatment in Asymptomatic Alzheimer's disease/Longitudinal Evaluation of Amyloid Risk and Neurodegeneration）参与者中外部验证。第1阶段单用p-Tau₂₁₇；概率0.25–0.75视为不确定。第2阶段使用L2正则化逻辑回归（L2-regularized logistic regression）结合血浆生物标志物、遗传和人口学特征。Aβ-PET为参考标准（ADNI florbetapir SUVR（standardized uptake value ratio，标准化摄取值比）>1.11；A4 Centiloid（Centiloid标准化框架）≥20）。结果：完整模型AUC（area under the receiver operating characteristic curve，受试者工作特征曲线下面积）内部为0.915（95% CI（confidence interval，置信区间），0.859–0.961），外部为0.879（95% CI，0.861–0.895）。外部灰区（n=630）中，第2阶段较单用p-Tau₂₁₇改善判别（AUC 0.793 vs. 0.719；p<0.001），无需PET的正确分类从41.4%增至56.2%，PET转诊从35.9%降至24.3%。在p-Tau₁₈₁（phosphorylated tau181，磷酸化tau181）亚组（n=256）中，第2阶段优于p-Tau₁₈₁（AUC 0.799 vs. 0.597；p<0.001）。总体，89.0%的ADNI和90.7%的A4/LEARN参与者无需PET即被分类；模拟检测成本较p-Tau₂₁₇筛查并对灰区行PET确认降低44%–52%。解释：反射式多标志物检测改善不确定p-Tau₂₁₇分类，同时将Aβ-PET保留给残余不确定性。GRAD可能减少记忆门诊分诊、预防试验富集和疾病修饰治疗检查中的PET使用与检测成本。

研究背景与问题：阿尔茨海默病（AD）的血浆生物标志物（blood-based biomarkers，BBMs）可在不依赖Aβ-PET（amyloid-β positron emission tomography，淀粉样β正电子发射断层扫描）的费用与可及性限制、也不需脑脊液（cerebrospinal fluid，CSF）分析侵入性的情况下检测脑Aβ病理。p-Tau₂₁₇（phosphorylated tau217，磷酸化tau217）在血浆中识别Aβ阳性个体具有较高准确性，并用于预防研究和FDA批准疾病修饰治疗（disease-modifying therapies，DMTs）的资格筛查；但约30%–50%个体落在p-Tau₂₁₇单独不能可靠分类的“灰区”，尤其 preclinical-AD 和DMT eligible 人群。既有分阶段p-Tau₂₁₇/Aβ-PET流程及p-Tau₁₈₁等互补BBMs研究样本量有限、缺乏外部验证，且未专门针对最可能受益于预防治疗的轻度认知障碍（mild cognitive impairment，MCI）和preclinical AD人群；含p-Tau₂₁₇、Aβ_42/40（amyloid-β 42/40 ratio，淀粉样β42/40比值）和GFAP（glial fibrillary acidic protein，胶质纤维酸性蛋白）的多标志物方法尚未在灰区人群中充分检验。因此，研究人员开发GRAD（Gatekeeper-Reflex for Alzheimer's Disease）两阶段血浆算法，目标是在灰区分类Aβ阳性并减少残余确认性Aβ-PET；假设类似实验室反射检验的分阶段血浆模型可解决DMT eligible和preclinical-AD个体的灰区不确定性，且GRAD定位为分诊框架而非替代p-Tau₂₁₇或确认性Aβ检测。

研究开展、结论与意义：研究人员在ADNI认知受损队列（n=145；MCI 117、AD痴呆28）开发模型，并在A4/LEARN认知正常队列（n=1644；A4 1119、LEARN 525）外部验证；Aβ-PET为参考标准（ADNI florbetapir SUVR>1.11；A4 Centiloid≥20）。结论显示，完整GRAD内部AUC 0.915、外部AUC 0.879；外部灰区第2阶段较单用p-Tau₂₁₇改善判别（AUC 0.793 vs. 0.719；p<0.001），无需影像的正确分类由41.4%升至56.2%，需Aβ-PET比例由35.9%降至24.3%；全流程中89.0% ADNI和90.7% A4/LEARN参与者无需影像即获Aβ分类。其意义在于为记忆门诊分诊、预防试验富集和DMT检查提供可减少PET使用与检测成本的分阶段策略，同时保留Aβ-PET处理残余不确定性；但GRAD并非确认性影像的替代。

关键技术方法（≤250字）：关键技术方法：研究人员基于ADNI认知受损队列（n=145；MCI 117、AD痴呆28）开发GRAD，并在A4/LEARN认知正常队列（n=1644；A4 1119、LEARN 525）外部验证；Aβ-PET为参考标准（ADNI florbetapir SUVR>1.11，A4 Centiloid≥20）。第1阶段用p-Tau₂₁₇单变量逻辑回归，0.25–0.75为灰区；第2阶段对灰区采用L2正则化逻辑回归（C=0.1、平衡类权重），纳入p-Tau₂₁₇、GFAP、tau-Aβ分离比、log Aβ_42/40、GFAP×p-Tau₂₁₇、年龄和APOE ε4（apolipoprotein E ε4，载脂蛋白E ε4），0.40–0.60仍不确定者转Aβ-PET。内部用留一交叉验证（leave-one-out cross-validation，LOOCV），外部不重拟合；用DeLong检验、McNemar检验、Brier评分及成本模拟评估。

研究结果：3.1 基线人口学特征：基于ADNI与A4/LEARN基线资料，ADNI参与者平均年龄73.3±7.1岁、女性37.2%、白人89.0%、APOE ε4携带者46.2%、p-Tau₂₁₇中位0.139 pg/mL、Aβ阳性58.6%；A4/LEARN平均年龄71.5±4.7岁、女性60.2%、APOE ε4携带者47.4%、p-Tau₂₁₇中位0.192 pg/mL、Aβ阳性69.6%，显示两队列临床状态、Aβ患病率和检测平台不同，为跨人群验证提供基础。3.2 完整模型性能：ADNI中完整GRAD的AUC 0.915、准确率87.6%、敏感性89.4%、特异性85.0%、阳性预测值（positive predictive value，PPV）89.4%、阴性预测值（negative predictive value，NPV）85.0%、LR+ 5.96、LR- 0.12、Brier评分0.108，正确分类127/145，亚组表现稳定；A4/LEARN外部AUC 0.879、敏感性76.7%、特异性88.6%、PPV 93.9%、NPV 62.3%，预测概率与Centiloid相关（Spearman ρ=0.748，p<0.001），全流程89.0% ADNI和90.7% A4参与者无需影像获 definitive Aβ分类，但校准未完全迁移（校准斜率1.04、截距+0.93、平均预测风险57.5% vs 观察患病率69.6%、Brier 0.145）。3.3 第1阶段性能：基于仅用p-Tau₂₁₇的Gatekeeper模型，ADNI 96/145（66.2%）脱离灰区，AUC 0.939，37例Aβ阴性（NPV 91.9%）、59例Aβ阳性（PPV 94.9%），已解决病例准确率93.8%，49例（33.8%）进入第2阶段；A4/LEARN 1014/1644（61.7%）脱离灰区，AUC 0.904，408例Aβ阴性（NPV 70.1%）、606例Aβ阳性（PPV 97.0%），已解决病例准确率86.2%，630例（38.3%）进入灰区；拟合模型logit(P)=-1.023+1.124×p-Tau₂₁₇_Z，路由阈值对应固定标准化p-Tau₂₁₇值并可手工应用。3.4 第2阶段性能：在ADNI灰区（n=49）中，第2阶段AUC 0.781、准确率75.5%、敏感性76.9%、特异性73.9%，单用p-Tau₂₁₇为0.739（+0.042；DeLong p=0.54）；A4/LEARN灰区（n=630）中第2阶段AUC 0.793、准确率70.8%、敏感性66.7%、特异性80.0%，单用p-Tau₂₁₇为0.719（+0.073）。判别主要依赖APOE ε4携带状态（每SD OR 3.14；95% CI 1.53–6.44；p=0.002）、p-Tau₂₁₇（OR 2.34；1.20–4.56；p=0.013）和Aβ_42/40（OR 0.32；0.13–0.77；p=0.011）；GFAP（OR 0.80；p=0.48）及GFAP×p-Tau₂₁₇交互（OR 0.94；p=0.83）贡献小，外部drop-one消融去除APOE ε4损失0.034 AUC、去除Aβ_42/40损失0.030。第2阶段解决ADNI灰区33/49（67.3%）和A4 477/630（75.7%），分别遗留16例（11.0%）和153例（9.3%）转确认性Aβ-PET。3.5 与p-Tau₂₁₇及p-Tau₁₈₁基准比较：在灰区，第2阶段较单用p-Tau₂₁₇的AUC提高0.042（ADNI；DeLong p=0.54）和0.073（A4；p<0.001）；外部应用相同0.40–0.60不确定带，单用p-Tau₂₁₇正确解决41.4%、错误解决22.7%、需PET 35.9%，GRAD为56.2%、19.5%和24.3%。在256例有访问匹配p-Tau₁₈₁的A4灰区参与者（55.5% Aβ阳性）中，GRAD第2阶段AUC 0.799，p-Tau₁₈₁为0.597（DeLong p<0.001），单用p-Tau₂₁₇为0.743（p=0.06）；Giacomucci et al.报告p-Tau₁₈₁在其不确定病例中正确重分类77.4%（24/31），而在A4按同法Youden截断，p-Tau₁₈₁正确分类59.8%、错误40.2%且无PET转诊，GRAD在相同256例中正确58.6%、错误21.9%、转PET 19.5%。3.6 成本影响模拟：基于外部队列路由率模拟10,000例，Universal PET成本$30,000,000（10,000次扫描）；p-Tau₂₁₇筛查加灰区PET成本$15,000,000（3832次扫描，相对节省50%）；GRAD分阶段算法成本$7,250,000（931次扫描，相对节省76%，$725/例）；基于开发队列路由率GRAD为$7,655,000（1103次扫描；74%节省；$766/例），p-Tau₂₁₇筛查加灰区PET为$13,638,000（3379次扫描；55%节省）；相对p-Tau₂₁₇加PET流程，GRAD在开发队列路由下低44%、验证队列路由下低52%；两队列中GRAD减少PET利用89%–91%。按每正确诊断成本计（PET转诊者计为正确诊断），外部队列Universal PET为$3000、p-Tau₂₁₇筛查加灰区PET为$1639、GRAD为$863；开发队列分别为$3000、$1423和$828。

讨论总结：该多队列研究开发并外部验证了两阶段血浆算法，用于p-Tau₂₁₇不确定时改善Aβ分类；主要发现是额外生物标志物和遗传信息在该困难亚组提供有意义的判别，并在两个临床不同研究队列间迁移。A4/LEARN外部验证中，GRAD第2阶段将灰区AUC从单用p-Tau₂₁₇的0.719提高至0.793（p<0.001），无需影像正确分类由41.4%升至56.2%，需Aβ-PET由35.9%降至24.3%，支持p-Tau₂₁₇解决高置信病例、额外血浆和遗传信息选择性用于不确定结果、确认性影像保留给残余不确定性的分阶段路径。结果还确认p-Tau₂₁₇灰区在AD连续谱临床不同部分均显著存在，两截断p-Tau₂₁₇策略解决66.2% ADNI和61.7% A4/LEARN参与者，余下灰区33.8%和38.3%，与既往30%–50%不确定范围一致；GRAD并非替代p-Tau₂₁₇，而是将额外检测集中于初始生物标志物确定性不足的亚组，应解释为决策支持和分诊策略而非所有个体Aβ-PET替代。增量价值主要证据来自外部验证：ADNI第2阶段改善0.042但小样本灰区（n=49）不显著（p=0.54），A4/LEARN改善更大（+0.073；p<0.001），且应用临床不同人群、不同p-Tau₂₁₇平台且不重拟合；在访问匹配亚组中GRAD优于p-Tau₁₈₁整合（AUC 0.799 vs. 0.597；p<0.001）。Reflex阶段最强贡献者为APOE ε4、p-Tau₂₁₇和Aβ_42/40；GFAP及交互贡献小，外部消融同样显示去除APOE ε4或Aβ_42/40时AUC下降最大，提示一旦p-Tau₂₁₇识别不确定亚组，淀粉样相关指标和遗传风险的互补信息可能比额外星形胶质标志物更有信息。Alzheimer's Association Clinical Practice Guideline推荐分诊用BBM需≥90%敏感性且≥75%特异性、替代Aβ-PET需≥90%敏感性和特异性；ADNI开发队列可在rule-out阈值达敏感性91.8%、特异性81.7%、NPV 87.5%，rule-in阈值达特异性90.0%、敏感性81.2%、PPV 92.0%，但这些操作点需前瞻验证；外部验证中Reflex阶段单独敏感性66.7%、特异性80.0%，低于替代Aβ-PET推荐，支持GRAD作为分阶段分诊和试验富集方法而非确认性影像独立替代。临床效用取决于检测人群及假阳性和假阴性分类后果；因预测值随淀粉样患病率变化，同一操作特征在不同场景表现不同，例如约20%患病率时负GRAD结果 projected NPV 93.8%，50%患病率时PPV 87.0%、NPV 79.2%，70%患病率时PPV 94.0%，但这些不应解释为基层、记忆门诊或预防试验中的前瞻验证性能，阈值可能需按场景校准。实施策略可保留p-Tau₂₁₇初筛，对不确定者应用Reflex多分析物面板，第2阶段后仍不确定者转确认性Aβ-PET；本队列残余不确定者为ADNI 11.0%、A4/LEARN 9.3%。成本模拟中GRAD相对Universal PET降低74%–76%、相对p-Tau₂₁₇筛查加灰区PET确认降低44%–52%，每例$725–766，每正确诊断成本$828–863，但未纳入误分类下游后果或成本；通过减少PET需求89%–91%，该策略可能有助于神经影像可及性有限地区。局限性包括两队列以白人为主（ADNI 89%、A4 94%）且受教育程度高，种族和民族多样人群性能未知；队列在认知状态、性别分布、Aβ患病率、p-Tau₂₁₇平台和Aβ阳性定义上异质，虽提供严格迁移测试但复杂化跨队列比较；未纳入肾功能、未系统表征共病蛋白病和混合病理；开发队列小且灰区仅49例，ADNI第2阶段改善单独不显著；第2阶段需多分析物面板且并非所有场景常规，Aβ_42/40在919/1644 A4/LEARN参与者中测量且缺失值用训练集中位数插补，完整面板敏感性分析一致但缺失非随机；p-Tau₁₈₁基准比较仅A4且访问匹配有限；横断面设计未评估纵向生物标志物变化、未来Aβ积累或认知下降预测及治疗监测；校准未完全迁移；成本模拟为假设性，忽略地理差异且未计价误分类包括ARIA（amyloid-related imaging abnormalities，淀粉样相关影像异常）。

研究结论翻译：随着p-Tau₂₁₇日益纳入早期AD筛查，GRAD为结果不确定的庞大人群提供分阶段方法。外部验证中，Reflex阶段在灰区内较单用p-Tau₂₁₇改善判别，同时将Aβ-PET保留给残余不确定性。全流程中89.0% ADNI和90.7% A4/LEARN参与者无需影像即获Aβ分类，提示选择性反射检测可大幅减少对确认性PET依赖。模拟检测成本较对所有不确定p-Tau₂₁₇结果使用PET的策略低44%–52%，但这些预测需真实世界经济数据确认。目前GRAD应视为潜在分诊和试验富集策略而非确认性影像替代。未来应在临床异质及种族和民族多样人群中前瞻评估该算法，评估特定场景校准和阈值，并确定所预测的PET使用和检测成本降低能否在临床实践中实现。