摘要
目的
利用纵向电子健康记录(EHR)数据预测阿尔茨海默病(AD)认知衰退的时间。
背景
在电子健康记录中，认知评估记录较为稀疏，这限制了其在真实临床环境中监测和预测阿尔茨海默病进展的潜力。
设计/方法
我们将2011-2022年的电子健康记录数据与阿尔茨海默病登记库进行了链接。我们将每位患者的记录从基线（即第一条记录）开始，按连续的3个月间隔划分，直到随访结束或死亡。对于每个间隔，我们从电子健康记录中获取了来自多源知识图谱的阿尔茨海默病相关特征计数（例如多奈哌齐处方）、合并症和医疗利用指标。认知状态（正常vs认知障碍）通过登记库得出的临床痴呆评定量表(CDR)评分以及来自登记库或电子健康记录的蒙特利尔认知评估(MoCA)和简易精神状态检查(MMSE)评分来确定，并映射到相应的时间间隔。我们应用了一种新颖的半监督机器学习方法（基于纵向电子健康记录的高效标签事件表型识别[LATTE]），利用稀疏的金标准标签和电子健康记录衍生的替代指标，来预测所有剩余间隔的认知状态（正常vs认知障碍）。我们使用受试者工作特征曲线下面积(AUROC)评估模型性能。为评估临床相关性，我们使用Cox比例风险模型，根据APOE4携带状态分层，估计了认知障碍发生的时间（基于预测的认知状态）。
结果
在4199名阿尔茨海默病患者中（平均基线年龄72.5±10.1岁，62%为女性，90%为非西班牙裔白人），CDR（n=1781）、MoCA（n=2974）和MMSE（n=2333）的认知评分数据可用。LATTE在各时期均表现出强大的预测性能（AUROC：CDR=0.852；MoCA=0.922；MMSE=0.870）。在1717名具有ApoE基因型的患者中，45%为APOE4携带者。与非携带者相比，APOE4携带者认知衰退风险显著更高（HR[95%CI]：CDR=1.578[1.398–1.781]，MoCA=1.452[1.242–1.697]，MMSE=1.918[1.638–2.247]；所有p<.001）。
结论
使用临床数据和机器学习预测认知衰退为改善真实世界中阿尔茨海默病的监测、预后、临床决策和临床试验招募提供了一种潜在有前景的方法。
免责声明：摘要未经《神经病学》(Neurology®)审阅，不代表《神经病学》(Neurology®)编辑或工作人员的观点。
披露声明：Venkatesh女士获得了美国国立卫生研究院(NIH)的研究支持。Zhang女士无披露内容。Lopez博士因在Acumen担任科学咨询或数据安全监测委员会成员而获得了500-4,999美元的个人补偿。Tianxi Cai无披露内容。Hou博士无披露内容。Xia博士所在机构获得了美国国立卫生研究院的研究支持。Xia博士所在机构获得了Genentech/Roche的研究支持。
【全文结束】