Abstract

Characterizing progression in Alzheimer’s disease is critically important for early detection and targeted treatment. The objective was to develop a prognostic model, based on multivariate longitudinal markers, for predicting progression-free survival in patients with mild cognitive impairment.

METHODS:

The information contained in multiple longitudinal markers was extracted using multivariate functional principal components analysis and used as predictors in the Cox regression models. Cross-validation was used for selecting the best model based on Alzheimer’s Disease Neuroimaging Initiative-1. External validation was conducted on Alzheimer’s Disease Neuroimaging Initiative-2.

RESULTS:

Model comparison yielded a prognostic index computed as the weighted combination of historical information of five neurocognitive longitudinal markers that are routinely collected in observational studies. The comprehensive validity analysis provided solid evidence of the usefulness of the model for predicting Alzheimer’s disease progression.

DISCUSSION:

The prognostic model was improved by incorporating multiple longitudinal markers. It is useful for monitoring disease and identifying patients for clinical trial recruitment.

نمونه ترجمه مقاله:

1.مقدمه

خطرات رو به رشد بهداشت عمومی ناشی از بیماری آلزایمر (AD)، فوریت کشف و ارزیابی نشانگرهای پیش آگهی برای تشخیص زودهنگام بیماری را افزایش داده است. در این راستا، تلاش های زیادی برای ساخت مدل هایی برای پیش بینی AD بوسیله یک مارکر یا ترکیبی از نشانگرهای متعدد اختصاص داده شده است که ناهمگونی را در میان افراد ترسیم می کند و پیشرفت بیماری افراد در معرض خطر را تشخیص می دهد [1].

از آنجایی که اختلال شناختی متوسط (MCI) یک وضعیت خطرناک برای AD است، تحقیقات موجود تعدادی از نشانگرهای بیومارکر را که پیش بینی تغییرات بالینی بیماران MCI [2-7] را شامل می شوند، از جمله نشانگرهای عصبی شناختی، نشانگرهای عصبی، ژنتیک و مایع مغزی نخاعی (CSF) هستند. این مطالعات نشان می دهد که اهمیت پیش آگهی در هنگام در نظر گرفتن نشانگرهای چند متغیره امری غیر قابل انکار است و پیش بینی یا تغییر کیفی (به عنوان مثال تبدیل از MCI به AD به عنوان پاسخ باینری) و یا تغییر کمی (یعنی نمرات شناختی) در چند سال آینده میسر می گردد. این مطالعات پیش بینی زمان MCI تا AD را بررسی نمی کند، زیرا این امر معمولا نتیجه اولیه در مطالعات بالینی AD است [8].

تعداد نسبتا کمی از مطالعات اخیر، زمان سنجی MCI تا AD را در طول زمان پیگیری بر اساس مدل های رگرسيون كوكس مورد بررسی قرار داده اند [9-11]. این مطالعات ابزار پیش بینی کننده نشانگرهای پیش آگهی خاص را به صورت مستقل یا ترکیبی ارزیابی می کنند، اما تنها بر اندازه گیری های پایه نشانگرها متمرکز شده است. لی و همکاران [12] یک مدل مشترک از روش داده های طولی و زمان به منظور بررسی قابلیت مقایسه ی نشانگرهای طولی در تعیین خطر تغییر AD AD در زمان های آینده ایجاد کرده اند. با این حال، آنها هر یک از نشانگرهای طولی را به طور مستقل به دلیل محدودیت نرم افزار مدل سازی از لحاظ وضعیت فعلی مورد تجزیه و تحلیل قرار دادند. به نظر ما، هیچ کدام از مطالعت پیشین نشانگرهای طولی چندگانه و اطلاعات زمان به رویداد به طور مشترک را برای بررسی پیش آگهی AD را به درستی اعمال نکرده اند.

هدف اصلی این مطالعه، ایجاد یک مدل پیش آگهی است که بر پایه اندازه گیری های نشانگرهای متعدد جهت پیش بینی بقای پیشرفت بدون علامت در بیماران مبتلا به MCI تکیه می کند. مدل پیش آگهی از چندین روش آماری پیشرفته استفاده می کند که این امکان را برای تسهیل تصمیم گیری بالینی بر اساس تمام اطلاعات جمع آوری شده فراهم می کند.