[논문 리뷰] Prediction of cognitive decline for enrichment of Alzheimer's disease clinical trials

Angela Tam, Alexis Laurent외 2명|arXiv (Cornell University)|2021. 11. 07.

Dementia and Cognitive Impairment Research인용 수 24

한 줄 요약

이 연구는 기초 데이터—인구통계학적 자료, 인지 테스트, APOE 상태, 뇌 MRI—를 사용하여 알츠하이머병 환자와 증상이 없는 개인의 인지 기능 저하를 예측하는 기계학습 모델을 개발하였다. 이 모델들은 최대 79%의 AUC를 기록하였으며, 고위험군을 선별함으로써 임상 시험의 환경을 향상시켜 통계적 검정력 유지를 유지하면서도 필요 표본 수를 최대 51% 감소시켰다.

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.

연구 동기 및 목표

• 인간의 인지 기능 저하 경로의 이질성과 참가자 선별이 부적절하여 발생하는 알츠하이머병 임상 시험의 높은 실패율을 해결하기 위해.
• 예측 모델을 활용하여 임상 시험 기간 동안 기능 저하가 일어날 가능성이 높은 개인을 식별함으로써 시험의 검정력을 향상시키기 위해.
• 조기 알츠하이머병(경도 인지 장애/치매) 및 증상이 없는 단계를 포함한 질병 스펙트럼 전반에 적용 가능한 예후 모델을 개발하기 위해.
• 일관된 일반화 및 강건성을 확보하기 위해 독립된 데이터셋에서 모델을 검증하기 위해.
• 모델 기반의 환경 향상 전략이 통계적 검정력 손실 없이 필요 표본 수를 크게 감소시킬 수 있음을 입증하기 위해.

제안 방법

• 조기 알츠하이머병(24개월 기능 저하 예측)과 증상이 없는 개인(48개월 기능 저하 예측)을 대상으로 별도의 예후 기계학습 모델을 훈련시켰다.
• 기초 데이터로는 인구통계학적 자료, 인지 테스트 점수(예: CDR-SB), APOE ε4 상태, 구조적 MRI 영상 등을 입력 특성으로 사용하였다.
• ADNI와 NACC의 데이터를 통합하여 훈련하였으며, 조기 알츠하이머병 모델은 1,151명, 증상이 없는 개인 모델은 628명을 대상으로 훈련하였다.
• 조기 알츠하이머병 모델은 3a상 임상 시험의 위약군(n=115)과 PharmaCog 데이터셋(n=76)에서 검증되었고, 증상이 없는 개인 모델은 OASIS-3(n=128)에서 검증되었다.
• 모델 성능을 추정하기 위해 교차 검증과 외부 샘플 테스트를 사용하였으며, receiver operating characteristic 곡선 아래 면적(AUC)을 보고하였다.
• 표본 수 감소 잠재력을 정량화하기 위해, 일반화된 코hort와 모델 기반 환경 향상 코hort를 비교하는 검정력 분석을 수행하였다.

실험 결과

연구 질문

• RQ1 기초 임상 데이터를 기반으로 훈련된 기계학습 모델은 24개월 이내에 조기 알츠하이머병 환자에서 인지 기능 저하를 높은 정확도로 예측할 수 있는가?
• RQ2 유사한 모델은 접근 가능한 생물지표를 사용하여 인지 기능이 정상인 개인에서 48개월 간격으로 기능 저하를 예측할 수 있는가?
• RQ3 이러한 모델들은 독립적이고 실제 임상 시험 및 영상 데이터셋에 대해 얼마나 잘 일반화되는가?
• RQ4 모델 기반 환경 향상 전략은 통계적 검정력 손실 없이 알츠하이머병 임상 시험의 필요 표본 수를 얼마나 줄일 수 있는가?
• RQ5 예후 모델은 부적절한 참가자 선별로 인한 종단점 실패 위험을 줄임으로써 시험의 질을 향상시킬 수 있는가?

주요 결과

• 조기 알츠하이머병에 대한 예후 모델은 교차 검증 및 외부 샘플 평가에서 최대 79%의 receiver operating characteristic 곡선 아래 면적(AUC)을 기록하였다.
• 증상이 없는 개인을 대상으로 한 모델 역시 강력한 예측 성능를 보였으며, OASIS-3 코hort에서의 검증 결과가 보고되었다.
• 검정력 분석 결과, 예측된 기능 저하자가 포함된 모델 기반 환경 향상 코hort를 사용할 경우, 동일한 통계적 검정력을 유지하면서도 필요 표본 수를 최대 51% 감소시킬 수 있었다.
• 조기 알츠하이머병 모델은 3a상 임상 시험의 독립된 위약군에 잘 일반화되어, 실제 임상 시험 조건에서의 강건성을 보여주었다.
• 다양한 생물지표와 임상 특성을 통합한 종합적인 위험 예측 프레임워크를 도입함으로써, 전통적인 포함 기준보다 모델이 더 뛰어난 성능을 보였다.
• 이 접근법은 APOE ε4 상태만으로는 불가능한 고위험군의 조기에 더 정확하게 식별함으로써 정밀한 모집을 가능하게 하였다.