《Scientific Reports》：Sensitivity comparison of longitudinal cognitive function indicators of Alzheimer’s disease after mild cognitive impairment: a prospective cohort study
编辑推荐：
如何准确预测轻度认知障碍（MCI）向阿尔茨海默病（AD）的转化风险，是临床早干预的关键挑战。本研究针对现有模型捕捉认知非线性下降和个体异质性能力不足的问题，采用半参数联合模型（Semi?parametric Joint Model）分析了ADNI数据库596名参与者的7项纵向认知功能指标。结果显示，载脂蛋白E ε4等位基因（APOE?ε4）携带是稳定风险因素，而CDR?SB和FAQ量表分数是预测转化的最强效指标。该研究为临床MCI管理提供了经验证的风险分层预测框架。
随着全球人口老龄化加剧，阿尔茨海默病（Alzheimer's Disease, AD）作为一种主要的神经退行性疾病，已成为日益严峻的公共卫生挑战。在发展为典型的AD痴呆之前，许多个体会经历一个漫长的过渡阶段，即轻度认知障碍（Mild Cognitive Impairment, MCI）。MCI人群每年有10-15%会进展为AD，但并非所有人都会转化，这使得精准识别高风险个体变得至关重要，因为这能为早期药物干预和生活方式调整赢得宝贵的“黄金窗口期”。然而，精准预测谈何容易。传统的预测模型常常将认知功能的变化视为简单的线性下降，忽略了其背后复杂、非线性的自然进程。同时，每个人的遗传背景、认知储备和衰退轨迹千差万别，这种个体异质性也给“一刀切”的预测模型带来了巨大困难。于是，一个核心问题摆在了研究者面前：我们能否开发出更“聪明”的模型，不仅能捕捉认知衰退的“弯曲”路径，还能融合个体差异，从而更早、更准地发出AD风险的预警信号？本研究正是为了回答这一难题而展开。
为回答上述问题，研究人员开展了一项前瞻性队列研究。他们从国际知名的阿尔茨海默病神经影像学计划（Alzheimer’s Disease Neuroimaging Initiative, ADNI）数据库中，获取了596名参与者的数据，其中包括184名最终转化为AD的“转化者”和412名保持MCI状态的“稳定者”。研究团队采用了一种先进的统计方法——半参数联合模型（Semi?parametric Joint Model）。这个模型巧妙地将两部分结合在一起：一部分使用灵活的B样条（B?splines）来刻画认知指标随时间的、可能是非线性变化的过程（纵向过程）；另一部分则使用Cox比例风险模型来分析这些动态变化的认知指标如何影响向AD转化的风险（生存过程）。通过对七项常用的认知功能量表进行联合建模分析，并采用严格的指标评估模型性能，研究旨在筛选出预测能力最强的指标，并评估其在不同遗传风险亚组（基于APOE?ε4基因型）中的表现。
本研究主要采用了以下几项关键技术方法：一是前瞻性队列研究设计，数据来源于ADNI这一大型、标准化的国际多中心队列。二是半参数联合模型，核心是结合了用于拟合非线性纵向轨迹的B样条和用于分析事件风险的Cox生存子模型。三是全面的模型性能评估体系，包括赤池信息准则（AIC）、贝叶斯信息准则（BIC）、组内相关系数（ICC）、时间依赖性C指数、动态曲线下面积（AUC）和校准曲线等。四是根据APOE?ε4携带状态进行的亚组分析，以探讨遗传背景的影响。
研究结果
1. APOE?ε4是稳定的遗传风险因素
在多变量联合模型中，无论是针对哪一项认知指标进行分析，携带载脂蛋白E ε4等位基因（APOE?ε4）始终是MCI向AD转化的显著风险因素。其风险比（Hazard Ratio, HR）范围在1.38到1.77之间，表明携带者的转化风险是非携带者的1.38至1.77倍。
2. 不同认知指标对转化风险的预测方向与强度各异
研究分析了七项认知功能指标，发现它们对AD转化风险的预测方向（危险或保护）和强度差异显著：
- •
危险指标：较高的分数意味着更高的转化风险。其中包括ADAS?Cog13（13项阿尔茨海默病评估量表-认知部分，HR=3.71/标准差）、ADAS?Cog11（HR=2.71）、CDR?SB（临床痴呆评定量表-总分，HR=3.79）和FAQ（功能活动问卷，HR=2.85）。其中CDR?SB的风险比最高，效应最强。
- •
保护性指标：较高的分数意味着更低的转化风险。其中包括RAVLT?IR（雷伊听觉词语学习测验-即时回忆，HR=0.23）、RAVLT?L（延迟回忆，HR=0.14）和MMSE（简易精神状态检查，HR=0.53）。其中记忆测验（RAVLT）显示出极强的保护效应。
3. 模型表现出优异的预测准确性与区分度
所有针对不同认知指标构建的联合模型都表现出极高的内部一致性（ICC范围0.94-0.98）和中等至良好的预测准确性。在预测未来2年、5年和8年转化风险的动态AUC分析中，C指数范围在0.585至0.668之间。校准曲线显示，模型的预测生存概率与实际观察到的生存概率具有良好的一致性。
4. CDR?SB和FAQ在不同遗传亚组中均表现出最强预测力
亚组分析（按是否携带APOE?ε4分组）显示，临床评分量表CDR?SB和功能评估量表FAQ在所有模型中都具有最大的效应值（即风险比最高）。更重要的是，它们在不同APOE?ε4亚组中都展现出清晰、一致的剂量依赖性轨迹：随着量表分数的升高（表示认知或功能损害加重），转化为AD的风险也呈现出明确的上升趋势，这表明它们的预测能力受遗传背景干扰较小，稳健性更强。
结论与讨论
本研究通过应用半参数联合模型深入分析了MCI向AD转化过程中的纵向认知轨迹，得出了一系列有临床价值的结论。首先，研究证实了APOE?ε4作为核心遗传风险因素的稳定性，这为高风险人群的初步筛查提供了遗传学依据。其次，研究系统比较了多项常用认知功能指标的预测效能，明确指出以评估总体严重程度和日常功能为主的CDR?SB和FAQ量表，是预测转化最敏感、最稳健的指标，其预测力甚至超过了某些传统的核心认知测验。这提示在临床实践中，除了关注记忆等特定认知域，综合性的严重程度和功能评估可能具有更高的预后价值。
这项研究最重要的贡献在于方法学和应用层面。在方法学上，采用的半参数联合模型有效地克服了传统模型的局限，它能够捕捉认知衰退的非线性“拐点”，并将随时间波动的纵向指标动态地纳入风险预测，从而提供了更贴近真实疾病进程的建模方式。在应用层面，该研究构建并验证了一个实用的风险预测框架：即结合APOE?ε4基因型（用于初始风险分层）和定期监测CDR?SB与FAQ的纵向变化轨迹（用于动态风险评估）。这个框架为临床医生管理MCI患者提供了有力的决策支持工具，有助于识别出那些最需要强化干预和密切随访的“高危”个体，从而推动AD的二级预防向更精准、更动态的方向发展。该成果已发表于《Scientific Reports》期刊，为阿尔茨海默病的早期预测和精准医疗策略增添了重要的循证依据。
