衛材開發早期阿爾茨海默病篩查腦β-淀粉樣蛋白積累的預測模型
——利用家庭醫生在日常醫療護理中可收集的數據建立的機器學習模型——
日本東京2025年2月19日 /美通社/ -- 近日，大分大學和衛材宣布開發了一種機器學習模型，用于預測腦內β-淀粉樣蛋白（Aβ*[1]）的積累。該模型結合了年齡、性別、吸煙史和病史等背景數據，以及常規血液檢查和MMSE*[2]（簡易精神狀態檢查）項目。該模型預計將使初級保健醫生能夠在常規體檢中預測腦內Aβ的積累，這是阿爾茨海默病（AD*[3]）的重要病理因素，并有助于進行簡單的早期篩查。
該模型的詳細信息已于2025年1月21日發表在同行評審的醫學期刊《Alzheimer's Research & Therapy》的在線版上。
目前，雖然腦Aβ積累可以通過正電子發射斷層掃描（淀粉樣蛋白PET*[4]）和腦脊液檢測（CSF檢測*[5]）來檢測，但這些檢測的高成本和侵入性仍是亟待解決的問題。因此，近年來，眾多研究致力于開發多種與阿爾茨海默病（AD）相關的血液生物標志物，以期提供一種更為便捷的篩查方法。然而，以往很少有研究評估使用常規臨床數據來預測腦部Aβ積累模型的性能。本研究首次開發了一種機器學習模型，該模型利用了34項臨床數據，包括背景數據（年齡、性別、吸煙史和病史）、常規血液檢查數據（如腎功能、肝功能、甲狀腺功能）以及癡呆護理中常規收集的簡易智能狀態檢查（MMSE）項目，來預測淀粉樣蛋白PET陽性。評估結果顯示，該預測模型的曲線下面積（AUC）分別為0.70（僅結合背景數據和常規血液檢查數據）和0.73（結合背景數據、常規血液檢查數據和MMSE數據），表明該模型具有一定的預測準確性。
Aβ抗體已在AD早期階段治療中顯示出可能提供更大益處的潛力1，因此，早期檢測腦內Aβ積累顯得至關重要。此機器學習模型能夠利用常規醫療護理中收集的臨床數據來預測腦部Aβ積累，預計將被初級保健醫生廣泛應用于AD的早期篩查。
通過利用該模型來確定淀粉樣蛋白PET和CSF檢測的必要性，預計將有助于AD的早期診斷和治療啟動，并減少患者的經濟和身體負擔。
術語表
*[1] β-淀粉樣蛋白：被視為阿爾茨海默病病因的蛋白質，在疾病發作前約20年在大腦中積累并形成老年斑。
*[2] MMSE（簡易精神狀態檢查）：一種評估認知功能的方法。它包括定向力、記憶力、注意力/計算、延遲回憶、命名、重復、理解、閱讀、寫作和圖形復制等評估項目，評分范圍為30至0分（正常至嚴重）。
*[3] 阿爾茨海默病：最常見的癡呆病因，其病理特征包括老年斑、神經原纖維纏結和神經元細胞死亡。
*[4] 淀粉樣蛋白PET：一種可視化大腦中Aβ積累的腦部成像檢測。
*[5] 腦脊液檢測：一種分析腦脊液中Aβ42、磷酸化tau和總tau作為阿爾茨海默病生物標志物的檢測。
研究背景與概述
隨著日本進入超老齡化社會，65歲以上癡呆患者數量增加，開發針對AD（最常見的癡呆病因）的新治療藥物成為緊迫問題。在AD中，腦部Aβ的積累是疾病發作前的病理事件。研究表明，抗Aβ抗體在AD早期階段開始治療時可能提供更大的益處1，這凸顯了早期檢測腦部Aβ積累的重要性。雖然淀粉樣蛋白PET等成像技術對AD診斷有用，液體生物標志物也用于檢測，但這些方法存在侵入性和成本問題。
因此，許多基于機器學習的腦部Aβ預測模型被開發為更簡單的篩查工具，但這些模型通常包含常規臨床實踐中未測量的標志物，如成像數據和ApoE基因型。本研究首次嘗試開發一種機器學習模型，僅使用癡呆護理中常規收集的背景數據和常規血液檢查結果來預測淀粉樣蛋白PET陽性。
研究結果與意義
本研究利用了大分大學醫院在2012年9月至2017年11月期間收集的門診數據，以及2015年10月至2017年11月期間在大分縣臼杵市進行的關于65歲及以上無癡呆老年人的前瞻性隊列研究（USUKI STUDY）數據。預測模型使用了三種機器學習技術：支持向量機、彈性網絡和L2正則化邏輯回歸，結合了12項參與者背景數據（年齡、性別、吸煙史、病史-高血壓、血脂異常、心臟病、中風、糖尿病、甲狀腺疾病）、11項常規血液檢查項目（腎功能、肝功能、甲狀腺功能等）以及262名輕度認知障礙或正常認知功能個體（136名男性，126名女性，中位年齡73.8歲）的11項MMSE項目評分，并評估了模型的性能。
使用L2正則化邏輯回歸的預測性能顯示，結合參與者背景和MMSE項目的模型以及結合參與者背景和常規血液檢查的模型的AUC均為0.70，表明性能相似。此外，結合所有這些元素（參與者背景、常規血液檢查和MMSE項目）的模型顯示出更高的性能，AUC為0.73。分析預測Aβ積累的關鍵因素，發現MMSE項目中的延遲回憶和地點定向、年齡、促甲狀腺激素和平均紅細胞體積是重要因素。
學術論文：
英文標題：Machine learning models for dementia screening to classify brain amyloid positivity on positron emission tomography using blood markers and demographic characteristics: a retrospective observational study
日文標題：血液マーカーと人口統計學的特徴を用いてアミロイドPET における脳アミロイド陽性を分類する認知癥スクリーニングのための機械學習モデル：後ろ向き観察研究
作者：Noriyuki Kimura（大分大學醫學部神經內科）、Kotaro Sasaki（衛材株式會社）、Teruaki Masuda（大分大學醫學部神經內科）、Takuaki Ataka（大分大學醫學部神經內科）、Mariko Matsumoto（衛材株式會社）、Mika Kitamura（衛材株式會社）、Yosuke Nakamura（衛材株式會社）、Etsuro Matsubara（大分大學醫學部神經內科）
出版雜志：《Alzheimer's Research & Therapy》
參考文獻
1. Sperling, R., Selkoe, D., Reyderman, L., Youfang, C., Van Dyck, C. (2024, July 28 - August 1). Does the Current Evidence Base Support Lecanemab Continued Dosing for Early Alzheimer's Disease? [Perspectives Session] Alzheimer's Association International Conference, Philadelphia, PA, United States.
編號：ECN-2025-0017
