WFU

2021年1月10日 星期日

血漿D-谷氨酸濃度檢測輕度認知障礙和阿茲海默症:機器學習方法

 血漿D-谷氨酸濃度檢測輕度認知障礙和阿茲海默症:機器學習方法


目前研究已經被Journal of Psychopharmacology期刊接受。2020 台灣精神醫學會59週年年會暨學術研討會優良壁報獎。身心介面國際研討會(MBI) Poster Blitz Awardees


背景:阿茲海默症(AD)是一種複雜而嚴重的神經退化性疾病,目前仍然缺乏有效而且及早在疾病初期的診斷方法。 N-methyl-D-aspartate接受體(NMDAR)路徑的功能異常已被發現與突觸功能障礙和AD病理機轉的神經毒性有關。Glutamate是大腦神經元主要的excitatory神經傳導物質。新的先驅研究已發現glutamate中的d-form (D-glutamate )參與接受體(NMDAR)受體路徑調節而且可能與認知老化有關。


目的:檢驗周邊血漿D-glutamate 濃度於正常認知功能族群,輕度認知障礙(MCI)和阿茲海默(AD)患者三種族群的差異,分析D-glutamate濃度與認知功能的相關性,並使用機器學習模型評估D-glutamate其預測能力。


這個研究有三個層次:

第一層檢驗不同族群間是否差異與認知功能相關性。

方法:總共招募了31名健康對照者,21名MCI患者和133名AD患者。使用高效液相色譜(HPLC)測量血清D-glutamate濃度。使用臨床失智評分量表(CDR)和簡短智能測驗(MMSE)評估認知缺陷的嚴重程度。MCI和AD組的血漿D-glutamate 濃度較低(分別為1097.79±283.99和785.10±720.06 ng / mL),低於健康對照組(1620.08±548.80 ng / mL)。 MMSE總分與D-glutamate 濃度呈正相關(r = 0.368,p <0.001)。多元回歸分析顯示D-glutamate 濃度與MMSE總分顯著相關(B = 0.003,信賴區間:0.002-0.005,p <0.001)。(Table 1, Figure 2)


第二層次使用傳統ROC D-glutamate 濃度對於MCI與AD分析。

針對健康對照組和所有MCI患者的ROC分析顯示,D-glutamate 濃度的最佳切點為1374.49,敏感度為0.905,特異性為0.613(AUC = 0.816)。 針對健康對照組和所有AD患者的ROC分析顯示,D-glutamate 濃度的最佳切點為971.56,敏感度為0.632,特異性為0.968(AUC = 0.839)。(Figure 1)


第三層次我們使用四種機器學習算法(support vector machine, logistic regression, random forest, and naïve Bayes)來構建最佳預測模型,以區分MCI或AD患者與健康對照。

結果: naïve Bayes模型和random forest模型是預測MCI和AD的最佳模型(area under the receiver operating characteristic curve:0.8207和0.7900;敏感性分別為0.8438和0.6997;特異性分別為0.8158和0.9188)。(Table 2)

結論:周邊血漿D-glutamate 濃度與認知障礙有關,因此可能是合適檢測MCI和AD的周邊生物標記。未來應用生物標記和機器學習算法,配合快速且經濟有效的HPLC可以幫助醫生在門診診斷MCI和AD。