[論文レビュー] Prediction of cognitive decline for enrichment of Alzheimer's disease clinical trials

Angela Tam, Alexis Laurent+2 more|arXiv (Cornell University)|Nov 7, 2021

Dementia and Cognitive Impairment Research被引用数 24

ひとこと要約

本研究では、人口統計学的特徴、認知テスト結果、APOE状態、MRIを含むベースラインデータを用いてアルツハイマー病患者および無症状の個体における認知機能低下を予測する機械学習モデルを開発した。最大79%のAUCを達成し、高リスク個体の選別による臨床試験の被験者選抜を可能にし、統計的パワーを維持したまま必要サンプルサイズを最大51%まで削減できる。

ABSTRACT

A key issue to Alzheimer's disease clinical trial failures is poor participant selection. Participants have heterogeneous cognitive trajectories and many do not decline during trials, which reduces a study's power to detect treatment effects. Trials need enrichment strategies to enroll individuals who will decline. We developed machine learning models to predict cognitive trajectories in participants with early Alzheimer's disease (n=1342) and presymptomatic individuals (n=756) over 24 and 48 months respectively. Baseline magnetic resonance imaging, cognitive tests, demographics, and APOE genotype were used to classify decliners, measured by an increase in CDR-Sum of Boxes, and non-decliners with up to 79% area under the curve (cross-validated and out-of-sample). Using these prognostic models to recruit enriched cohorts of decliners can reduce required sample sizes by as much as 51%, while maintaining the same detection power, and thus may improve trial quality, derisk endpoint failures, and accelerate therapeutic development in Alzheimer's disease.

研究の動機と目的

• 参加者選別の不備および認知機能の多様な推移によるアルツハイマー病臨床試験の高失敗率を是正する。
• 予測モデリングを用いて試験期間中に機能低下の可能性が最も高い個体を同定することで、臨床試験の統計的パワーを向上させる。
• 早期アルツハイマー病（MCI/ dementia）および無症状期の疾患スペクトルに適用可能な予後予測モデルを開発する。
• 独立したデータセットでの妥当性評価を通じて、一般化可能性および頑健性を保証する。
• モデルに基づく被験者選抜が、統計的パワーを損なわせることなく、必要サンプルサイズを顕著に削減できることを示す。

提案手法

• 早期アルツハイマー病（24か月間の機能低下予測）を対象としたモデルと、無症状個体（48か月間の機能低下予測）を対象としたモデルを別々に訓練する。
• 人口統計学的特徴、認知テスト得点（例：CDR-SB）、APOE ε4状態、および構造的MRIスキャンを入力特徴として使用する。
• ADNIおよびNACCの統合データを用いてモデルを訓練し、早期ADモデルは1,151名、無症状モデルは628名を対象にした。
• 早期ADモデルは、第3相臨床試験のプラセボ群（n=115）およびPharmaCogデータセット（n=76）で、無症状モデルはOASIS-3（n=128）で妥当性を検証した。
• 交差検証およびオフ・サンプルテストを用いてモデルの性能を推定し、受受曲線下積分（AUC）を報告した。
• 未強化群と強化群の比較によるパワー解析を実施し、サンプルサイズ削減の可能性を定量的に評価した。

実験結果

リサーチクエスチョン

• RQ1 日常的臨床データを用いて訓練された機械学習モデルは、24か月間の早期アルツハイマー病患者における認知機能低下を高い精度で予測できるか？
• RQ2 同様のモデルは、利用可能なバイオマーカーを用いて、認知機能に著しい障害のない個体の48か月間の機能低下を予測できるか？
• RQ3 これらのモデルは、独立した実臨床試験および画像データセットにどの程度一般化できるか？
• RQ4 モデルに基づく被験者選抜は、統計的パワーを損なわせることなく、アルツハイマー病臨床試験における必要サンプルサイズをどの程度削減できるか？
• RQ5 予後予測モデルは、参加者選別の不備による主要評価項目の失敗リスクを低減することで、臨床試験の質を向上させられるか？

主な発見

• 早期アルツハイマー病の予後予測モデルは、交差検証およびオフ・サンプル評価において最大79%の受受曲線下積分（AUC）を達成した。
• 無症状個体を対象としたモデルも強く予測性能を示し、OASIS-3コhortでの妥当性評価結果が報告された。
• パワー解析の結果、モデルを用いて予測された機能低下リスクの高い被験者を強化することで、同じ統計的パワーを維持したまま必要サンプルサイズを最大51%まで削減できることが示された。
• 早期ADモデルは、第3相臨床試験の独立したプラセボ群に良好に一般化されており、実臨床試験環境における頑健性が裏付けられた。
• 複数のバイオマーカーと臨床的特徴を統合した包括的リスク予測フレームワークを採用することで、従来の参加基準を上回る性能を発揮した。
• APOE ε4状態単独よりも、より早期かつ正確に高リスク個体を同定できる精度の高い被験者選抜が可能になった。