轻度认知障碍向阿尔茨海默病痴呆症进展风险预测：INTERCEPTOR项目的研究贡献

摘要

背景

轻度认知障碍（MCI）是正常与病理性大脑老化之间的中间阶段，30%至50%的患者在3至5年内会进展为痴呆症。早期识别高风险个体对公共卫生战略至关重要。

方法

INTERCEPTOR项目纳入398名MCI个体。基线评估包括社会人口学、临床、神经心理学、遗传学（载脂蛋白E）、脑脊液（β-淀粉样蛋白、tau蛋白）、脑电图（大脑连通性）、磁共振成像（海马体积测量）和氟脱氧葡萄糖正电子发射断层扫描的标准化程序。351名MCI患者完成了基线和随访评估，每6个月进行一次神经心理学测试，持续3年。

结果

104名（29.6%）个体发展为痴呆症，其中85名（22.4%）符合可能或很可能阿尔茨海默病痴呆症的核心临床诊断标准。仅包含临床和社会人口学数据的Cox模型获得了72%的一致性指数（C-index），当加入神经心理学和生物标志物时，该指数提升至82%。

讨论

INTERCEPTOR列线图（nomogram）是一个预测痴呆症进展风险的工具，支持公共卫生战略，包括风险评估筛查以及创新治疗的风险/收益比评估。

研究亮点

目前大多数MCI预后模型依赖回顾性、非标准化的程序数据集，真实世界应用有限。
INTERCEPTOR项目采用多中心、标准化、多模态方法预测3年内MCI向痴呆症的进展，临床和神经心理学评估由两位对生物标志物结果不知情的临床专家独立确认。
多模态模型将预测准确性从仅使用临床/社会人口学/神经心理学的72%提升至82%，表现优于任何单一生物标志物。
INTERCEPTOR列线图提供了灵活、可扩展的风险分层方法，随时可进行验证并在公共卫生中实施。

1 背景

痴呆症是一项全球公共卫生优先事项（世界卫生组织和阿尔茨海默病国际），估计年成本约为1万亿美元[1]。在意大利，约有120万痴呆症患者，年成本近230亿欧元[2]。轻度认知障碍（MCI）代表了临床前阶段，其特征是存在客观认知困难，但不影响日常功能[3]。与认知正常的个体相比，MCI患者的痴呆症转化风险显著更高，30%至50%在3至5年内转化为痴呆症[4,5]。在最近一项对66项基于临床研究的风险转化率的荟萃分析中[5]，MCI向所有类型痴呆症的累积转化风险为41.5%（95%置信区间[CI]：38.3%至44.7%，I2 95.5%）。年度转化率（ACR）为10.9%（95% CI：9.7%至12.1%，I2 98.4%），并根据随访长度而变化——3年随访研究为13.1%（95% CI：11.1%至15.2%），3.1至5年随访研究为11.5%（95% CI：10.1%至13.0%），>5年随访研究为7.8%（95% CI：6.7%至9.0%）。这种流行病学回顾清楚地表明，约有一半或更多的MCI人群在随访期间不会进展为痴呆症。

因此，在MCI人群中对痴呆症风险进行分层对公共卫生战略至关重要，这些战略旨在干预可改变的风险因素并增强保护性生活方式。此外，阿尔茨海默病（AD）的疾病修饰治疗似乎在MCI阶段更有效，但它们具有高直接/间接成本并可能引起严重副作用。这引发了关于是否应将这些治疗限制用于MCI向阿尔茨海默病临床和生物学定义的高风险个体的讨论[6]。

在此框架下，意大利医学机构（AIFA）和卫生部于2018年3月启动了INTERCEPTOR项目，该研究旨在开发一种用于分层预测MCI向临床定义的阿尔茨海默病进展风险的模型。该项目不是为了定义诊断路径，而是作为早期检测和风险分层的工具，为公共卫生政策提供信息、优化资源（包括疾病修饰药物）并支持国家卫生系统内的预防性护理路径。INTERCEPTOR是一项为期3年的随访多中心研究，整合了临床、神经心理学和仪器生物标志物。该研究旨在反映真实临床实践，其中生物标志物评估在基线时并不常规进行。参与者纳入仅基于诊断MCI的核心临床标准[7]，符合国家老龄化研究所-阿尔茨海默病协会（NIA-AA）工作组对AD诊断指南的建议。在招募后2个月内收集了当时研究开始时文献中最常报告且在真实环境中可用的生物标志物。主要目标是开发一种工具，用于预测临床定义MCI人群中向痴呆症的进展风险。次要目标包括评估成本效益、可及性和侵入性，以建立可扩展且公平的早期检测框架。随访于2023年12月结束，随后根据预发布统计计划进行了数据质量审查和分析[8]。方案详情和基线发现之前已有报道[9,10]。

几项研究和数据库处理了与INTERCEPTOR类似的目标，但存在重要差异。澳大利亚成像、生物标志物和生活方式研究以及阿尔茨海默病神经影像学计划（ADNI）主要是研究驱动的队列，用于生物标志物验证，旨在表征淀粉样蛋白沉积、神经变性和认知轨迹，而非临床可行的预后模型[11]。ADNI强调标准化生物标志物管道用于临床试验。梅奥诊所衰老研究（MCSA）被构想为一项流行病学研究，旨在估计认知障碍在不同生物严重程度水平的终身和10年人群水平风险，而非个体临床预测工具[12]。

美国国立卫生研究院（NIH）资助的阿尔茨海默病研究中心向国家阿尔茨海默病协调中心（NACC）数据库提供标准化临床数据，有两项研究应用机器学习方法处理非侵入性变量，开发了Excel计算器估算进展风险[13,14]。它们均未生成适用于常规临床实践的预后模型。INTERCEPTOR项目通过真实的、面向公共卫生的队列，填补了这一空白，纳入连续MCI患者，采用盲法诊断结局，并聚焦于进展风险分层。

研究背景

系统评价：作者使用传统来源（如PubMed）审查了文献，评估了现有MCI向阿尔茨海默病痴呆症转化预后模型。大多数先前研究依赖回顾性数据集，限制了其普遍适用性。此外，许多研究使用异质性生物标志物，而我们的研究在真实临床框架内评估了一套全面的神经心理学评估、脑脊液、ApoE、脑电图、MRI和FDG-PET。
解释：我们的研究结果表明，能够灵活地将MCI个体分层为风险类别的预测模型的重要性，使该模型即使在生物标志物获取有限的环境中也能实施。
未来方向：INTERCEPTOR列线图在不同人群中的外部验证对确认其普遍适用性至关重要。未来研究应探索新生物标志物的整合，同时研究生物标志物阳性但认知稳定的患者中"弹性MCI"的保护因素。早期识别高风险MCI个体可能促进及时、有针对性的干预，延迟或预防痴呆症的发生。

2 方法

2.1 研究设计和参与者

从2019年1月至2020年10月（因新冠疫情大流行而延长招募），意大利19家记忆诊所连续筛查了494名年龄在50至85岁之间的遗忘型（aMCI）和非遗忘型MCI（naMCI）参与者。记忆诊所通过公开招募选定，分布从北到南。参与中心包括大学医院和区域记忆单位的混合，涵盖了广泛的临床环境。MCI诊断遵循NIA-AA[7]标准：简易精神状态检查（MMSE）得分>24/30（年龄/教育调整）；临床痴呆评定（CDR）量表=0.5；认知投诉；至少一个认知领域的缺陷；以及保留的整体功能。完整的入排标准列于附表S1。

基线时收集了临床、社会人口学和神经心理学数据。在60天内，获得了以下预先计划的生物标志物：MMSE、自由线索选择性提醒测试（FCSRT）的延迟自由回忆（DFR）、氟脱氧葡萄糖正电子发射断层扫描（FDG-PET）用于脑葡萄糖代谢、3D T1 MRI用于海马体积测量、脑电图（EEG）（图论指标）用于大脑连通性、载脂蛋白E（apoE）基因型，以及脑脊液（CSF）生物标志物（淀粉样蛋白β[Aβ]42、Aβ42/Aβ40、总tau[t-tau]、苏氨酸181位点磷酸化tau[p-tau181]、Aβ42/p-tau181）。

该研究采用"中心辐射"组织模式，招募中心（辐射）负责受试者招募，专家中心（中心）负责生物标志物检查和风险诊断。

2.2 生物标志物

生物标志物因其在2017年之前文献中在AD特征描述中的已建立或新兴相关性而被选择，以及它们能够捕获脑结构、功能和病理的互补方面。

2.2.1 神经心理学生物标志物

对于神经心理学生物标志物，选择了两种工具：MMSE[15]，这是临床环境中评估整体认知障碍最常用的短筛查工具之一[16]，以及FCSRT，一种基于语义提示开发的语义记忆测试，专门用于区分早期AD患者和不发展为痴呆症的MCI个体[17,18]。

2.2.2 脑脊液生物标志物

CSF样本在早晨通过腰椎穿刺收集，在收集后1小时内离心（2000 × g，10分钟），在500 μL聚丙烯管（Sarstedt）中分装，在-80°C下储存，并用干冰运送到专家中心进行分析。Aβ40、Aβ42、总tau和p-tau181通过全自动化学发光酶免疫测定法（CLEIA）和Lumipulse G600II仪器（Fujirebio）测量，使用Lumipulse G β-淀粉样蛋白1-40（批次号4072）、Lumipulse G β-淀粉样蛋白1-42（批次号4121）、Lumipulse G总tau（批次号4063）和Lumipulse G pTau181（批次号4074）（Fujirebio）试剂盒。使用以下正常限值：Aβ42 ≥ 640 pg/mL，Aβ42/Aβ40 ≥ 0.068，总tau ≤ 404 pg/mL，p-tau181 ≤ 56 pg/mL，Aβ42/p-tau 181 ≥ 11.8[19-23]。质量控制（QC）由制造商提供，并在每次分析会话开始时测量，批间变异<6%。

2.2.3 氟脱氧葡萄糖正电子发射断层扫描

18F-FDG-PET使用3D扫描仪进行，并采用针对大量正常对照数据库进行优化的单受试者体素分析[24,25]。

2.2.4 ApoE ε4基因型

外周血样本按照标准程序提取DNA进行ApoE基因型分析[26]。专家中心使用聚合酶链反应扩增外显子4，随后对扩增产物进行Sanger直接测序（正向引物：5'-GCCTACAAATCGGAACTGGA-3'；反向引物：5'-CGCCACCTGCTCCTTCACCT-3'）。

2.2.5 脑电图

脑电图连通性计算时，19个头皮电极按照国际10-20系统定位，并添加眼电图通道。皮肤-电极阻抗保持在5 KΩ以下，采样率为256 Hz。脑电图经过人工伪迹去除，并使用eLORETA分析连通性，在84个感兴趣区域（ROIs）（每半球42个布罗德曼区域[BAs]）之间进行计算[27]。在每个受试者的七个脑电图频段内，即delta（2-4 Hz）、theta（4-8 Hz）、alpha 1（8-10.5 Hz）、alpha 2（10.5-13 Hz）、beta 1（13-20 Hz）、beta 2（20-30 Hz）和gamma（30-45 Hz）中，计算了所有84个ROIs对之间的延迟线性相干性（LLC）。LLC测量脑电图频段中的连通性。使用Brain Connectivity Toolbox和MATLAB脚本构建网络，以BAs为节点，LLC为边，使用半球间LLC值作为顶点间的加权。小世界（SW）参数评估了脑网络组织，通过聚类系数（Cw）与路径长度（Lw）的比率计算，跨脑电图频段标准化[27]。SW指数通过计算所有脑电图频段的标准化聚类系数与标准化特征路径长度之间的比率来确定。研究表明AD改变了所有脑电图频段，因此一种适当的方法似乎是将七个频段特异性SW参数组合成单个指数，而不是选择单个频段或子集。因此，通过组合七个频段的SW参数，计算出单个SW指数SWcomb（附表S2）。

SWcomb指数定义为：

SWcomb = wδ * SWδ + wθ * SWθ + wα1 * SWα1 + wα2 * SWα2 + wβ1 * SWβ1 + wβ2 * SWβ2 + wγ * SWγ

每个频段的系数见附表S2。

随后，每个SW参数使用从健康人和AD患者数据得出的均值和标准差（附表S2）进行标准化，然后按照Vecchio等人确定的系数进行加权[28]。EEG参数SWcomb以连续和分类形式进行分析。为了将值分类为正常/异常，使用SW指数应用了精细的高斯支持向量机（SVM）。

2.2.6 磁共振成像

确保符合MRI标准操作程序（SOP）的高质量容积T1 3D图像在1.5T或3T上以1 mm各向同性体素采集，并根据数字成像和通信医学（DICOM）或神经影像学信息技术计划（NIFTI）标准归档在XNAT中。所有采集的扫描均使用基于信噪比（SNR）和对比度噪声比（CNR）质量度量的MRI-QC软件[29]进行评估。

海马体积通过两种算法确定：（i）FreeSurfer 6.0版[30]，使用中心形态分析中心的受试者-概率图谱；（ii）用于海马区域分割的ACM AdaBoost算法[31]，按照Harp协议[32]。两种算法确定的海马体积与受试者空间相关，并根据总颅内体积（TIV）进行归一化。体积以立方毫米表示，质量控制由两位经验丰富的神经成像专家（AR, SDF）进行，与意大利人群的科学验证的正常曲线进行对比[32]。为了定义海马体积测定异常，使用了低于第5百分位的临界值。年龄特定参考临界值在先前出版物中提供[8,32]。

2.2.7 标准化程序和转化诊断标准

在项目开始时实施了广泛的标准化程序，包括在前3个月内的现场和远程培训，以确保所有19家参与记忆诊所的社会人口学、临床、神经心理学和生物标志物收集的一致性。

在整个研究期间——从入组、随访到痴呆转化时——数据质量由研究协调团队密切监控并集中验证。事实上，研究的最后10个月左右专门用于跨中心验证数据质量。

数据伪匿名化并上传到网络平台（XNAT）；CSF和血液样本送至中央实验室。研究组织架构和生物标志物获取的详细描述见先前出版物[9]。受试者每6个月进行神经心理学和神经学评估，持续36个月。

根据国际指南，痴呆症诊断基于临床标准，特别是NIA-AA提出的临床标准[33]。反映我们样本的真实世界性质，生物标志物数据在诊断过程中不需要。

每次随访时，根据临床标准确定是否转化为可能或很可能的AD痴呆症或其他痴呆症[33-35]。诊断在对受试者生物标志物状况不知情的情况下进行，基于临床医生评估、认知/行为功能恶化和/或功能状态下降，具体定义为MMSE得分<24/30、广泛神经心理学评估、功能下降、神经学评估，以及符合DSM-V标准的CDR=1。AD痴呆症核心临床标准的进展由各当地记忆诊所提出，然后由两位对生物标志物结果不知情的临床专家独立确认。

研究持续64个月：约20个月用于标准化/招募，36个月用于随访，8个月用于质量控制（由FL、NC、PL进行）和分析（由FL、PL进行）。伦理批准由A. Gemelli大学医院伦理委员会授予（方案37756/18 ID：2251；2018年9月27日）。

2.3 统计计划

分析完全符合透明报告个体预后或诊断的多变量预测模型（TRIPOD）指南[36]，并遵循已发布的统计分析计划（SAP）[8]。

项目的主要终点是临床转化为AD，定义为从第一次神经心理学评估到最近随访访问日期、转化或死亡的时间。如果在下一次随访中确认，则转化时间为首次被诊断为痴呆症的访问时间。其他形式的痴呆症在分析中被分类为未转化，以分析整个预定义队列，避免引入选择偏差[37]。使用Cox回归分析开发多变量预测模型，分两步进行：

分析预先确定的与痴呆症相关的社会人口学和临床因素（表1）。由于缺失数据量有限（少于5%），按SAP对临床和人口统计变量应用单一插补。由于插补数据量小（仅11条记录至少有一个临床因素缺失），这可以被认为是可以接受的处理缺失数据的方法[38,39]，且预计不会过度夸大估计精度。使用逐步后向选择程序进行变量选择，移除阈值为0.10，重新进入阈值为0.05。这定义了基础模型。
分析生物标志物并纳入逐步选择程序以开发完整预测模型。候选变量包括基础模型中的临床变量以及所有生物标志物相关参数。对缺失值未进行插补；因此，每个生物标志物的评估利用了该特定生物标志物可用的所有数据（附图S1）。考虑到每个生物标志物的缺失值数量有限，且缺失数据机制可合理假设为随机缺失，这种方法被认为是可接受的。实际上，缺失性主要归因于后勤和操作问题（生物样本不足或丢失、MRI图像上传到中央网络平台的技术问题、影响FDG-PET扫描解读的人工伪迹）。最终模型开发在所有选定生物标志物均可用的参与者子集上。

在两步中，使用方差膨胀因子（VIF）评估多重共线性，检查比例假设，并评估变量转换以解决非线性。然而，未观察到任何生物标志物违反线性的现象。生物标志物单独评估并考虑其对基础模型的附加价值，同时考虑连续和分类形式，但ApoE ε4基因型和FDG-PET代谢模式（AD样，非AD样）仅以分类形式分析。分类基于SAP中概述的文献参考截断值[8]。此外，使用校正值（附表S2）在本MCI队列中确定了最佳截断值，采用最近1到0的方法。

评估了每个分类生物标志物的预测性能，包括敏感性、特异性、阳性和阴性似然比（LR），以及阳性和阴性预测值（PPV和NPV）。每个生物标志物对基础模型的额外贡献，通过连续和分类（基于参考和数据驱动的截断值）形式的delta C指数、LR检验、Akaike信息准则（AIC）和整体净重新分类改善（NRI）来评估，分别针对病例和非病例进行报告。为了预测模型开发，生物标志物以连续形式考虑。在逐步选择后，考虑采用Harrell推荐的预测模型开发策略[40]对完整模型进行简化。

此外，将外部证据和背景知识纳入变量选择特别推荐用于小样本量研究的预测模型开发，这提高了预后模型的稳定性和整体质量[40-42]。因此，评估了变量间的相关性以避免冗余，并基于其与现有文献的一致性进一步评估选定预测因子。检查了C指数的变化，并通过将两种模型的预后指数回归，评估了完整模型（视为参考模型）和简化模型之间的一致性。根据方法学建议，至少0.95的决定系数（R2）被认为表明足够的同意性。对于最终模型，使用Harrell的C统计量评估判别能力，基于个体事件概率的校准图[43]、校准斜率和校准截距、校准的Brier分数和Nagelkerke的修改版R2[44]。内部验证提供了一个过度乐观调整的C指数和校准斜率[36,40]，用作收缩因子以重新校准模型。内部验证使用500个自举样本进行，遵循Harrell步骤并包含模型选择过程[40]。模型使用列线图进行可视化[45]，提供用于计算3年向AD转化风险的图形和手动工具。评估了3年预测转化概率的几个百分位数，以评估敏感性、特异性和PPV。最后，基于3年预测进展至痴呆症概率的四分位数，将低、中、高风险组定义为第一和第二四分位数组合为低风险类别。高风险阈值选择以平衡敏感性和PPV。

2.3.1 亚组分析

鉴于欧洲药品管理局（EMA）最近批准了lecanemab（LEQEMBI）——一种用于AD治疗的抗淀粉样单克隆抗体，该预测模型应用于符合lecanemab治疗适应症的参与者亚组，特别是Aβ阳性（Aβ42/p-tau181 ≤ 11.8或Aβ42/Aβ40 ≤ 0.068）且无ApoE ε4纯合子的个体。然后评估了该子集模型的性能。此分析在SAP中未计划。

2.3.2 敏感性分析

为了开发预测模型，SAP中估计需要500名参与者，以达到400名完全评估个体[8]。由于大流行病，这一目标未达成，纳入分析的参与者为351名，AD事件85例。我们承认，在事件数量相对于候选变量数量有限的情况下开发预测模型会增加偏倚风险[41]。为评估生物标志物选择的稳健性，进行了多种敏感性分析[41,46]。重复了逐步过程，使用不同的移除和重新进入p值阈值，包括AIC。此外，应用LASSO方法与后向消除相结合[47]。为评估在主要分析中将其他形式的痴呆症转化为截尾事件对生物标志物选择的影响，应用了竞争事件分析。

此外，由于50名参与者至少有一个生物标志物缺失，将具有完整数据的参与者与具有不完整生物标志物数据的参与者进行了临床特征比较。此外，使用15次插补重复主要分析，以插补缺失的生物标志物值，评估完整病例分析可能引入的潜在偏倚。对分类变量使用逻辑回归，对连续生物标志物使用预测均值匹配。

2.3.3 额外的COVID-19分析

分析了在大流行前和大流行后招募的参与者基线特征的比较（附表S10），显示无选择偏倚证据。此外，招募时期与AD转化风险无关联（风险比[HR]：1.07，95% CI：0.85至1.36）。在随访期间，41名受试者中记录了49例COVID-19感染。其中5名个体需要住院，其中1名需要重症监护。当作为Cox模型中的时变协变量纳入时，COVID-19感染与AD转化风险的非显著降低相关（HR：0.65，95% CI：0.20至2.15）。在解释此结果时需谨慎，因为86名参与者缺少有关COVID-19感染状况的信息，这些个体显示比在研究期间未感染的个体更高的转化风险（HR：1.88，95% CI：1.09至3.24）。

3 结果

3.1 研究人群

总共筛选了494名个体，其中454名符合纳入标准；398名参与者入组（排除原因见研究流程图；图1）；47名参与者（11.8%）在基线时失访。351名参与者纳入最终分析（见表1，包括人口学和临床特征以及所有生物标志物参数）。方案偏差列表见附表S3，详细描述包括神经心理学评估见附表S4。

在随访期间，85名参与者（24.2%）根据核心临床标准转化为可能或很可能的AD痴呆症（AD转化者）[33]。另外19名参与者（5.4%）进展为其他临床定义的痴呆症，最常见的是行为变异型额颞叶痴呆（图1），导致总转化风险为29.6%。本研究中，我们将非AD转化者（n=266）定义为MCI个体，其保持认知稳定（n=247）或转化为非AD痴呆症。这种分组反映了特别聚焦于向临床定义AD痴呆症进展的比较框架。平均随访持续时间为2.3年（范围：0.5至4.2年），AD痴呆症转化者平均1.4年，非AD转化者平均2.6年。AD痴呆症的发病率为每年12.9%（95% CI：10.7%至15.6%）。值得注意的是，转化率在第二年随访期间达到峰值，在第三年显著下降，最后6个月的转化率为3.1%。我们承认，如果包括3年随访后转化的患者，转化率可能更高。更长时间的随访可能影响各标志物在定义MCI向痴呆症转化风险时的权重。然而，选择作为项目终点的3年随访期，在MCI进展至痴呆的流行病学文献中已被广泛使用[5]。

逐步程序确定了构成基础模型的社会人口学和临床特征：性别、年龄、痴呆家族史（一级或二级亲属）和阿姆斯特丹工具性日常生活活动（IADL）评分。基础模型显示C指数为0.72（95% CI：0.66至0.78），AIC为893.4。虽然身体活动在单变量分析[10]中与AD痴呆症相关联（表1），但由于访谈中报告的频率和强度无法可靠量化，它被排除在模型之外。

在AD痴呆症转化者组中，51.8%有至少四个阳性生物标志物，而非AD转化者中仅为24.9%。图2显示了AD痴呆症转化者和非AD转化者中参与者按阳性生物标志物数量和类型分布。生物标志物的性能以连续和分类形式进行评估。当使用参考截断值分类时，生物标志物的敏感性范围从MMSE的最小24.7%到磷酸化tau（p-tau181）和Aβ42/p-tau181比率的最大80.7%。特异性范围从FCSRT-DFR的最小47.0%到MMSE的最大86.1%。PPV从未超过44%（表2）。生物标志物对基础模型的附加价值度量见附表S5。对于所有生物标志物，连续形式优于或等同于参考分类形式。在少数情况下，数据驱动的分类形式（最佳截断值）优于连续形式（表2，附表S5）；然而，由于分类形式在文献中强烈反对[36,40,48]，未追求分类形式，连续形式被优先用于预测模型开发。

3.2 预测模型

应用逐步后向选择程序，对包含基础模型中确定的四个风险因素和与七个生物标志物相关的13个参数的完整模型进行了分析。总tau因与p-tau181高度共线性（VIF>10）而被预先排除。排除总tau后，重新计算了VIF，显示无进一步问题共线性（所有VIFs ≤ 8.5）。

选定的协变量包括：性别、年龄、痴呆家族史、阿姆斯特丹IADL、MMSE、Aβ42/p-tau181比率、Aβ42/Aβ40比率、FreeSurfer测定的右侧海马体积和EEG SW组合指数。

根据现有文献并遵循避免冗余的原则，对模型进行了简化。右侧海马体积测量被左侧替代，后者在文献中有更大支持[49]，而Aβ42/Aβ40比率由于与Aβ42/p-tau181高度相关被移除（表3a）。最终模型显示C指数最小且无统计学显著降低（-0.009，DeLong检验p=0.136）和与完整模型高度一致（R2=0.95）；该模型使用323名具有非缺失生物标志物数据的参与者子集开发（附图S1）。

最终模型的C指数为0.82（95% CI：0.78至0.86）。AIC为794.9，R2为0.75（95% CI：0.65至0.86），校准的Brier分数为36.3%，校准斜率和截距分别为0.04和1.01。个体概率观察值与预测值的校准图如图3所示。内部验证后，过度优化调整的C指数为0.78（0.74至0.82），校准斜率为0.79（95% CI：0.58至1.04）。最终风险模型经过重新校准（表3b）并以列线图形式呈现（图4）。

基于预测3年转化概率的四分位数，确定了三个风险组：低风险（重新校准预测概率在0至21.9%之间）、中等风险（22%至43.9%之间）和高风险（等于或高于44%）。确定高风险组的临界点具有64.2%的敏感性、88.0%的特异性、64.2%的PPV和82.0%的整体准确性。

3.3 亚组分析

作为概念证明，该模型应用于符合EMA lecanemab治疗适应症的参与者（淀粉样蛋白阳性且无ApoE ε4纯合子），包括178名个体（占研究队列的50.7%），显示出良好的鉴别和校准性能。该模型在这一亚组中预测向AD转化的鉴别能力达到C指数0.77（95% CI：0.72至0.83），校准斜率为1.06（95% CI：0.64至1.48），截距为0.006（95% CI：-0.29至0.30）（附图S2）。R2为0.63（95% CI：0.44至0.77）。在主要分析中确定的高风险组临界点（3年转化概率44%）显示72.4%的敏感性、79.3%的特异性和63.6%的PPV。应用此阈值，该亚组中37.6%被分类为高风险（178人中的67人）。

3.4 敏感性分析

为评估生物标志物选择的稳健性，使用不同的阈值重复了逐步程序进行变量移除和重新纳入。随着阈值提高，FDG-PET被添加到所选集合中（附表S6）。然而，在最终模型中包含FDG-PET并未显著提高预测准确性（LR检验=0.0647；delta C指数=0.009，p=0.058）。此外，作为替代方法，应用了LASSO方法，确定了一个更广泛的变量集，向基础分析中已选择的变量添加了FCSRT-DFR、ApoE ε4、FDG-PET、Aβ42和FreeSurfer技术测定的左侧海马体积。在LASSO后应用后向选择，与基础分析中识别的预测因子一起，还选择了AD样FDG-PET模式。

最后，为评估将其他形式痴呆症转化为截尾事件的影响，进行了竞争事件分析。当19名向其他形式痴呆症转化的患者被视为竞争事件时，所选变量保持不变。然而，当同时考虑向其他形式痴呆症的转化和死亡（n=8）时，FDG-PET被额外选择（附表S7）。

为评估完整病例分析可能引入的潜在偏倚，比较了具有完整数据（n=301）与至少一个生物标志物缺失的参与者（n=50）的临床特征。与不完整数据组相比，具有完整数据的参与者更年轻（平均年龄71.6岁对73.7岁，p=0.047），受教育程度更高（10.8对9.1年，p=0.0125），共病更少（合并症指数>0的为36.0%对61.7%，p<0.001），尽管在累积疾病严重程度指数方面并无差异。主要神经心理学测试得分方面未观察到差异。

最后，插补生物标志物值并重复逐步选择，确认了完整病例分析中选定的变量集（附表S8）。FDG-PET仅在两次插补中被选择，未达到统计学显著性。值得注意的是，Aβ42/Aβ40比率在约一半的插补中被选择，左侧海马体积在约40%的情况下取代右侧海马体积被选择，表明左右侧海马测量可能被视为竞争预测因子。这些发现支持了我们在简化模型中的决定，即移除Aβ42/Aβ40比率并用左侧海马体积替换右侧海马体积。结合插补估计值的模型与完整病例分析得到的模型无实质性差异（附表S9）。

4 讨论

这项多中心研究在36个月内，将生物、神经影像、神经生理、社会人口学、临床和神经心理学数据相结合，用于MCI队列。实施了程序标准化和专家中心的集中生物标志物评估，以最小化中心间和评定者间变异性，所有生物标志物风险评估均在不知情的情况下进行[8,9]。MCI诊断和痴呆转化均由不知情生物标志物结果的专家临床医生确认。统计计划预先指定[8]，并计划根据TRIPOD指南制定[36]。

在制定分析计划时，我们优先考虑了常规的、经过充分验证的统计方法，以开发可解释且易于在临床实践中应用的预测工具。这一选择得到证据支持，表明在MCI个体中预测痴呆风险时，Cox回归模型的预测性能可与更复杂的机器学习方法相媲美，有时甚至优于后者[50]。此外，Sánchez-Pinto等人表明，在每变量事件少于20的较小数据集中，传统变量选择策略（如逐步选择）可能提供更大的简约性和稳定性[51]。多变量插补、竞争风险分析和敏感性分析对变量选择过程的支持进一步增强了我们的研究结果的稳健性，并最大限度减少了潜在的方法学偏倚。

本研究的主要局限性是每个预测因子的事件数量有限。在此条件下，数据驱动的变量选择增加了过度拟合的风险；因此，我们应用了内部验证程序和模型重新校准。然而，外部验证仍必不可少，以确认普遍适用性和临床适用性，目前计划进行专门的验证研究。

为评估临床和生物诊断在我们队列中的一致性，根据生物标志物信息的MCI标准，对MCI临床诊断进行了不知情条件下的修订[7]。大多数符合MCI临床核心标准的参与者（72.3%）显示与高-中度AD MCI可能性一致的生物标志物特征。然而，只有70名个体（27.5%）在3年内进展为AD痴呆症。值得注意的是，15名具有MCI临床核心标准且AD MCI可能性低的参与者仍转化为AD痴呆症。

来自大型多队列和前瞻性研究的证据表明，尽管异常的AD生物标志物增加了进展风险，但相当一部分生物标志物阳性的MCI个体在2至3年内保持临床稳定。在迄今最大的分析中，Vos等人报告了50%至61%的3年转化率[52]，表明39%至50%没有进展。类似发现已在PET、CSF和多模态研究中报告[53-56]。与这一文献一致，我们最近在INTERCEPTOR队列中的分析显示，约60%的淀粉样蛋白阳性MCI参与者在3年内保持无痴呆状态[57]。总体而言，这些发现确认，即使在生物标志物阳性的MCI个体中，40%至50%通常在2至3年内保持临床稳定。

在我们研究设计的严格框架内，报告的发现提示了几点考虑：

3年随访显示转化率在第二年达到峰值，随后在第三年急剧下降。在最近的系统评价中，Salemme等人观察到，年度转化率（即所有类型痴呆症的发病密度）在随访期较长的研究中较低（3年随访为13.1%，3.1至5年为11.5%，超过5年为7.8%）[5]。我们不能排除一些病例有"晚期转化"（即>3年随访）；同时，我们相信3年随访期使我们针对高风险个体进行风险分层，处于公共卫生项目最常使用的时长内。
仅社会人口学和临床数据显示MCI向临床AD痴呆症进展的鉴别能力为72%。
尽管程序标准化和专家中心集中评估，但探索的仪器生物标志物在3年随访中，其阳性预测值（PPV）均未超过50%（不排除当包括晚期→3年转化者时可能表现更好）。
结合生物标志物与社会人口学/临床数据的预测模型达到82%的鉴别能力和64%的PPV。
这种列线图，无论是基本形式还是由所选生物标志物丰富，可用于将MCI转化为痴呆症的风险（在需要时转化为临床AD痴呆症）分层为高、中、低风险组，支持公共卫生应用，包括预防策略和创新治疗的筛查活动。

近年来，多项研究开发了MCI向痴呆症转化的预后模型[58,59]。然而，大多数研究在ADNI队列的研究环境中进行，限制了普遍适用性，依赖回顾性数据收集。此外，生物标志物收集和数据处理存在实质性异质性。与先前包括列线图的预后模型相比[60-65]，该研究通过在单一、标准化临床环境中研究几个关键生物标志物模态——CSF、ApoE、EEG、MRI、FDG-PET和神经心理学数据——具有独特性。虽然当前结果令人鼓舞，但正在进行外部验证，以评估对更广泛人群的普遍适用性。

如前所述，在与其他项目比较中，INTERCEPTOR项目方法并非用于临床试验，而是用于常规临床实践，即使在没有数字设备的情况下使用纸笔也适用。基本列线图不涉及任何额外成本，因为它仅包含痴呆中心常规收集的临床、社会人口学和神经心理学数据。生物标志物在当前临床实践中的潜在用途，正如现有证据广泛表明的那样[66,67]，取决于仔细评估生物标志物的统计方法如何提高列线图的整体预测准确性。

尽管未进行详细的成本效益分析，但一些考虑值得注意：FDG-PET是最昂贵且最不可及的，MRI和CSF中度侵入性且昂贵，而EEG和神经心理学测试成本低且广泛可用。列线图的目的是灵活整合临床、认知和生物标志物特征，即使只有特定生物标志物可用，也能实现个体化风险评估。值得注意的是，仅基于临床变量和MMSE的模型达到了0.76的C指数（附表S5），而包含MMSE、EEG、MRI、CSF和临床数据的完整模型则达到0.82。这突显了在患者风险评估旅程开始时即使在技术负担有限的情况下也能进行有意义预测的潜力。

这项研究不是单中心或行业赞助的临床试验，而是由机构公共卫生当局资助的公共卫生导向型倡议。其主要目的是在真实世界环境中评估可用生物标志物的附加价值——特别是当时最有希望和最可获取的生物标志物——以改善对MCI向痴呆症（特别是临床定义的AD痴呆症）进展的预测[33]。

重要的是，我们的目标不是展示任何单一生物标志物的优越性，而是探索多模态信息如何在真实世界条件下增强临床定义MCI患者的进展风险分层。作为主要项目的附带结果，对INTERCEPTOR队列的血样进行了检查，以实现血浆和CSF生物标志物之间的直接比较，结果已在别处报告[22]。血浆Aβ42、Aβ42/Aβ40比率和p-tau181与CSF对应物显示统计学显著相关性。此外，在血浆生物标志物中，Aβ42/Aβ40比率和p-tau217在区分CSF Aβ+和Aβ-以及Aβ+/p-tau+和Aβ-/p-tau- MCI个体方面表现出稳健的鉴别性能，支持其对AD病理的诊断价值[22]。基于这些结果，将血浆p-tau和Aβ生物标志物纳入未来预测模型可能进一步提高早期检测准确性，同时提供最小侵入性、可扩展且成本效益高的策略，适用于更广泛的人群。

该研究有若干独特特征：（1）多中心设计，涉及协调的中心辐射模型，以及标准化的临床、神经心理学、生物和成像方案；（2）由对随访结果不知情的专家临床医生进行独立风险评估；（3）专注于早期干预策略的转化相关性，包括药物和非药物治疗。

尽管自研究启动以来已出现较新的生物标志物（如血浆p-tau217或tau PET），但我们认为，我们的发现提供了宝贵的补充见解，特别是对公共卫生系统的预测工具实施，因为这些先进技术创新技术的获取可能仍然有限。

重要的是，相当比例的MCI个体，尽管有多种异常生物标志物，在3年随访窗口期间并未发展为痴呆症[57,68]。更大比例可能在之后晚期进展为整体痴呆症，但重要的是考虑在绝大多数流行病学研究中，即使随访期长于3年，进展率也不会超过累积阈值50%。非进展性MCI的原因可能存在于个体大脑弹性机制中。保护因素的识别是未来研究的重点，包括开发创新治疗和康复方法。最后，成本分析提供了确定适合日益增长的MCI人群适当风险评估的可持续策略的机会。能够早期识别高风险MCI个体并有效干预，可能成为该领域进展的关键策略。

作者贡献

Flavia L. Lombardo：概念化、撰写、原始草稿准备、数据分析、审阅和编辑。Naike Caraglia：概念化、撰写、原始草稿准备、审阅和编辑。Patrizia Lorenzini：撰写、原始草稿准备和数据分析。Nicola Vanacore、Stefano F. Cappa、Maria Cotelli、Francesco Iodice、Camillo Marra、Francesca Miraglia、Chiara Pappalettera、Daniela Perani、Davide Quaranta、Alberto Redolfi、Patrizia Spadin、Fabrizio Tagliavini和Fabrizio Vecchio：撰写、审阅和编辑。Paolo M. Rossini：原始想法、概念化、撰写、原始草稿准备、审阅和编辑。