阿尔茨海默病（AD）的诊断，又传来好消息。
近日，瑞典隆德大学的Oscar Hansson教授及其合作团队在著名期刊《自然·医学》上发表重要成果[1]。
他们将血浆中磷酸化的tau蛋白水平，认知测试与APOE基因型组合起来，构建了一个简单的算法，可实现无创、准确地预测AD，准确性超过90%。且与有创的脑脊液相比，不相上下。
论文首页截图
阿尔茨海默病是一种发病机制复杂的神经退行性疾病，其进展缓慢，可从记忆减退发展至丧失身体机能，对家庭和社会造成极重的负担。
当今中国约有1000万阿尔茨海默病患者，预计到2050年，患病人数将超过3000万[2]。对于人口老龄化逐步加重的中国，AD的早发现早治疗变得非常重要。
目前AD诊断主要基于临床表现，以影像学证据及生物标志物信息作为辅助。AD疾病进展过程中，淀粉样蛋白（Aβ）[3]和磷酸化的tau蛋白（p-tau）[4]是两种重要的生物标志物。
虽然目前生物标志物及影像学研究取得了令人瞩目的进展，但目前的诊断方式仍具有一定的局限性：脑脊液生物标志物检测需要腰椎穿刺，具有侵入性；PET成像成本较高；Aβ测试方法较为复杂，需要专业的设备等，应用受到一定的限制。
近年来血浆生物标志物的发展取得了一定的成果[5,6]，血浆中的NfL（神经元纤维素），Aβ42/Aβ40，以及p-tau可能是未来AD诊断的发展方向。
在血浆生物标志物中，p-tau可用于区别AD和其他神经退行性疾病[7]，但若仅用p-tau来预测AD这一复杂疾病，其准确性有待提高。
那么，若将血浆p-tau与其他指标结合建立预测模型，是否可以提高AD预测的准确性？甚至在预测模型基础上，能不能进一步建立最优诊断算法实现非侵入的，经济的AD早期诊断呢？
为了构建一种基于p-tau的AD预测算法，Hansson教授和他的同事开展了两个独立多中心的队列研究，首先围绕瑞典的BioFINDER开展研究，随后在ADNI进行验证，建立AD预测模型（主要终点为4年内进展为AD，次要终点为2年和6年内进展为AD）。在模型基础上进行交叉验证，最终得到可以在线应用的AD风险预测工具。
BioFINDER入组流程
咱们先来一起看看他们是如何利用BioFINDER的数据开展研究的。
BioFINDER队列涵盖了340位存在认知问题的参与者，其中164位参与者认为自己存在主观认知功能下降（SCD），176位参与者存在轻度认知障碍（MCI）。
随访期间，91名参与者进展为AD，48名参与者进展为其他类型的认知障碍，剩余201名参与者无认知障碍。该队列研究的参与者平均年龄为70.7岁，49%是女性。进展为认知障碍的参与者平均随访时间为2.9年，无认知障碍的参与者平均随访时间为4.5年。
队列研究基本信息
根据上述队列研究信息，研究人员首先构建了一个最优模型来预测AD的发生（AIC=194，AUC=0.92），模型中的变量包括血浆生物标志物（p-tau217，APOE，NfL），MRI及认知功能（记忆，决策功能）。
随后，在不改变拟合能力的大前提下，研究人员通过选择性删除变量，得到包括p-tau217，APOE，MRI，记忆及决策功能四个变量在内的简约预测模型，AUC达到0.91。
通过比较上述两模型可发现，删除变量NfL对模型拟合度（AIC）及预测准确度（AUC）影响较小；而删除变量MRI，拟合度下降；删除变量APOE，拟合度及准确度均下降；若仅用p-tau217这一变量，拟合度和准确性均有限。
四年内进展为AD的模型选择过程
随后，研究人员还将预测模型与临床医生的判断做了比较。
在本研究中，285名参与者被临床医生判断为可能发生认知障碍，其中72名参与者在随访时进展为AD。
比较临床预测模型与血浆p-tau预测模型可以发现，血浆p-tau模型的拟合效果（AIC=207）及准确性（AUC=0.81）均优于临床预测（AIC=228，AUC=0.72）。
若在血浆p-tau基础上增加APOE，记忆和决策功能构建多变量模型，其拟合效果（AIC=166）和准确性（AUC=0.9）进一步增加，预测效果显著优于医生的判断。
比较多变量模型预测与临床预测的准确性
那么如果将模型中的血浆生物标志物代替为脑脊液生物标志物，模型的预测效果是否会有进一步增加呢？
研究者进一步比较了两种取样方式得到的生物标志物在模型的拟合度和准确性上是否存在差异。将最开始的最优模型中血浆p-tau和血浆NfL的变量改为脑脊液p-tau和脑脊液NfL进行拟合。
研究人员发现，血浆模型和脑脊液模型的预测准确度差异无统计学意义（p=0.44，AUC=0.93）。在其他模型中进行验证也可得到相同的结论。
因此，血浆生物标志物指标可以满足临床预测的需求。
比较血浆生物标志物与脑脊液生物标志物预测AD的准确性
Hansson团队开发的算法预测AD的效果确实非常好，那这种效果能在其他的数据库中重现吗？
随后研究人员用ADNI队列验证了算法的效果。
ADNI队列包含106名SCD参与者及437名MCI参与者，其中随访时有102名参与者进展为AD，28名参与者进展为其他认知障碍。
验证分为两个步骤，首先是对ADNI的数据进行模型构建，比较ADNI的模型变量与BioFINDER的模型变量是否一致；其次在ADNI中验证BioFINDER中的关键模型。最后是建立交叉验证模型。
研究人员比较了ADNI和BioFINDER的模型后发现，BioFINDER简约模型的拟合效果和准确度与ADNI最优模型基本相似，证明在两个队列中，该模型都具有较好的预测AD的效果。
比较ADNI和BioFINDER模型4年内预测AD发生的表现
通过上述两组队列研究可发现，血浆p-tau217或181，APOE，MRI及记忆和决策功能的组合模型，可较为准确的预测AD的发生，其拟合度和准确度均高于临床医生的判断，因此该模型可用于临床预测AD的发生，更好的提高AD早期诊断的准确性。
在确定预测模型中的关键变量为血浆p-tau，记忆，决策和APOE后，研究人员分别对BioFINDER和ADNI的数据建立逻辑回归模型，确定两模型的准确度分别为0.89和0.86。
研究人员以此模型为基础，构建了一个简单的算法，可在输入年龄，教育程度，量表信息，APOE基因型及血浆p-tau水平后，直接给出4年内进展为AD的可能性，为以后AD的预测提供了更加方便准确的途径。
总的来说，这个研究基于血浆磷酸化tau蛋白结合APOE基因型及认知量表，建立了可预测4年内进展为AD概率的模型。这个预测模型的准确率高于医生预测的准确率。显然，这个算法可以提高AD诊断预测的可靠性，对于AD临床试验中志愿者的招募也会有较大的帮助。
值得一提的是，这个研究还比较了血液生物标志物与脑脊液生物标志物在预测AD进展上的差异，结果表明，与脑脊液生物标志物相比，血浆生物标志物也可较为准确的预测AD的进展情况。这表明，如果被进一步证实，这个算法会降低取样和检测难度。
需要指出的是，这个研究也存在一定的局限性，比如SCD和MCI的分类标准有时可能较难重复[8]；认知测试存在某些局限性；Aβ作为AD的重要标志物虽然未在模型中体现，但仍与模型中的APOE有一定关联[9,10]。
科学是在不断进步的，该研究提供了一个很好的预测AD进展的模型，也相信未来会有更好的方式及早的诊断AD，促进AD药物研发的进展。
参考文献：
[1]Palmqvist S, Tideman P, Cullen N, et al. Prediction of future Alzheimer's disease dementia using plasma phospho-tau combined with other accessible measures [published online ahead of print, 2021 May 24]. Nat Med. 2021;10.1038/s41591-021-01348-z.
[2]王英全,梁景宏,贾瑞霞,徐勇.2020-2050年中国阿尔茨海默病患病情况预测研究[J].阿尔茨海默病及相关病,2019,2(01):289-298.
[3]Palmqvist S, Zetterberg H, Blennow K, et al. Accuracy of brain amyloid detection in clinical practice using cerebrospinal fluid β-amyloid 42: a cross-validation study against amyloid positron emission tomography. JAMA Neurol. 2014;71(10):1282-1289.
[4]Barthélemy NR, Bateman RJ, Hirtz C, et al. Cerebrospinal fluid phospho-tau T217 outperforms T181 as a biomarker for the differential diagnosis of Alzheimer's disease and PET amyloid-positive patient identification. Alzheimers Res Ther. 2020;12(1):26.
[5]Gisslén M, Price RW, Andreasson U, et al. Plasma Concentration of the Neurofilament Light Protein (NFL) is a Biomarker of CNS Injury in HIV Infection: A Cross-Sectional Study [published correction appears in EBioMedicine. 2016 May;7:287-288].
[6]Janelidze S, Mattsson N, Palmqvist S, et al. Plasma P-tau181 in Alzheimer's disease: relationship to other biomarkers, differential diagnosis, neuropathology and longitudinal progression to Alzheimer's dementia. Nat Med. 2020;26(3):379-386.
[7]Palmqvist S, Janelidze S, Quiroz YT, et al. Discriminative Accuracy of Plasma Phospho-tau217 for Alzheimer Disease vs Other Neurodegenerative Disorders. JAMA. 2020;324(8):772-781.
[8]Göthlin M, Eckerström M, Rolstad S, Wallin A, Nordlund A. Prognostic Accuracy of Mild Cognitive Impairment Subtypes at Different Cut-Off Levels. Dement Geriatr Cogn Disord. 2017;43(5-6):330-341
[9]Jansen WJ, Ossenkoppele R, Knol DL, et al. Prevalence of cerebral amyloid pathology in persons without dementia: a meta-analysis. JAMA. 2015;313(19):1924-1938.
Jack CR Jr, Bennett DA, Blennow K, et al. NIA-AA Research Framework: Toward a biological definition of Alzheimer's disease. Alzheimers Dement. 2018;14(4):535-562.
责任编辑丨BioTalker