[论文解读] 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 24

一句话总结

本研究开发了机器学习模型，利用基线数据（包括人口统计学特征、认知测试、APOE基因型和MRI）预测阿尔茨海默病患者及无症状个体的认知功能衰退，AUC最高达79%。这些模型可通过筛选高风险个体实现临床试验的富集，将所需样本量最多减少51%，同时保持统计效能。

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.

研究动机与目标

• 解决阿尔茨海默病临床试验中因受试者选择不当和认知轨迹异质性导致的高失败率问题。
• 通过预测建模识别在试验期间最可能发生衰退的个体，以提高试验效能。
• 开发适用于疾病全周期的预后模型——涵盖早期阿尔茨海默病（MCI/痴呆）和无症状阶段。
• 在独立数据集上验证模型，以确保其泛化能力和稳健性。
• 证明基于模型的富集策略可显著减少临床试验所需样本量，同时不牺牲统计效能。

提出的方法

• 分别训练两个独立的预后机器学习模型：一个用于早期阿尔茨海默病（24个月衰退预测），另一个用于无症状个体（48个月衰退预测）。
• 以基线数据作为输入特征，包括人口统计学信息、认知测试评分（如CDR-SB）、APOE ε4基因型和结构性MRI扫描。
• 在ADNI和NACC的合并数据上训练模型，其中早期AD模型基于1,151名受试者，无症状模型基于628名受试者。
• 在一项III期临床试验的安慰剂组（n=115）和PharmaCog数据集（n=76）上验证早期AD模型；在OASIS-3（n=128）上验证无症状模型。
• 使用交叉验证和样本外测试评估模型性能，报告受试者工作特征曲线下面积（AUC）。
• 通过比较未富集与富集队列的效能分析，量化样本量减少的潜力。

实验结果

研究问题

• RQ1 能否利用常规临床数据训练的机器学习模型，在24个月内高精度预测早期阿尔茨海默病患者的认知功能衰退？
• RQ2 能否使用可及的生物标志物，通过类似模型在48个月窗口内预测认知功能正常个体的衰退？
• RQ3 这些模型在独立的真实世界临床试验和影像数据集上的泛化能力如何？
• RQ4 基于模型的富集策略在多大程度上可减少阿尔茨海默病临床试验的样本量，同时保持统计效能？
• RQ5 预后模型能否通过减少因受试者选择不当导致的终点失败风险，从而提升试验质量？

主要发现

• 早期阿尔茨海默病的预后模型在交叉验证和样本外评估中，曲线下面积（AUC）最高达79%。
• 无症状个体的模型也表现出强劲的预测性能，其验证结果已在OASIS-3队列中报告。
• 效能分析表明，利用模型富集临床试验队列，筛选出预测会衰退的受试者，可将所需样本量最多减少51%，同时保持相同的统计效能。
• 早期AD模型在一项独立III期临床试验的安慰剂组中表现良好，表明其对真实世界试验条件具有稳健性。
• 与传统入选标准相比，该模型通过整合多种生物标志物和临床特征，构建了整体风险预测框架，表现更优。
• 该方法可通过更早且更准确地识别高风险个体，实现精准招募，其效果优于仅依赖APOE ε4基因型。