护理学报 ›› 2024, Vol. 31 ›› Issue (12): 47-53.doi: 10.16460/j.issn1008-9969.2024.12.047
轻度认知障碍向阿尔兹海默病进展风险预测模型的系统评价
周纯祎1, 王思雪1, 袁越1, 张艾琳1, 王云翠1,2,3
- 1.湖北中医药大学护理学院,湖北 武汉 430065;
2.老年脑健康中医药防护技术与新产品研发教育部工程研究中心,湖北 武汉 430065;
3.湖北时珍实验室,湖北 武汉 430065
摘要： 目的 系统评价国内外轻度认知障碍向阿尔兹海默病进展的风险预测模型,以期为构建相关风险预测模型提供证据参考。方法 检索中国知网、万方数据库、维普网、中国生物医学文献数据库、PubMed、Embase、Cochrane Library、Web of Science、CINAHL数据库中有关构建轻度认知障碍进展风险预测模型的研究,检索时限为建库至2023年8月1日,由2名研究者独立筛选文献,并根据预测模型研究数据提取表和偏倚风险评估工具进行资料提取以及评价纳入文献的偏倚风险和适用性。结果 共纳入20项构建轻度认知障碍进展风险预测模型的研究,所纳入研究的适用性表现均较好但偏倚风险普遍偏高,主要预测因子包括脑部结构特征、生物标志物、基因型、神经心理学量表四大类型。结论 轻度认知障碍进展风险预测模型的开发尚处于发展阶段,整体研究的偏倚风险较高,外推性有待进一步探讨。未来研究应关注研究设计和临床数据的处理,尝试纳入更多简便、易于测量的预测因子,开发适用于我国临床实际应用的风险预测模型。
中图分类号:
- R473.74
| [1] Braak H, Braak E.Neuropathological stageing of Alzheimer-related changes[J]. Acta Neuropathol, 1991, 82(4):239-259. DOI:10.1007/BF00308809. [2] Albert MS, DeKosky ST, Dickson D, et al. The diagnosis of mild cognitive impairment due to Alzheimer’s disease: recommendations from the National Institute on Aging-Alzheimer’s Association workgroups on diagnostic guidelines for Alzheimer’s disease[J]. Alzheimers Dement, 2011, 7(3):270-279. DOI:10.1016/j.jalz.2011.03.008. [3] Ward A, Tardiff S, Dye C, et al.Rate of conversion from prodromal Alzheimer’s disease to Alzheimer’s dementia: a systematic review of the literature[J]. Dement Geriatr Cogn Dis Extra, 2013, 3(1):320-332. DOI:10.1159/000354370. [4] 潘惠英, 王君俏, 吴美玲. 社区老年轻度认知障碍患者疾病认知水平调查及影响因素分析[J]. 护理学报, 2011, 18(21):1-4. DOI:10.16460/j.issn1008-9969.2011.21.024. [5] 陈绍敏, 王英. 轻度认知功能障碍老年人阿尔茨海默病风险预测的研究进展[J].实用老年医学, 2021, 35(12):1304-1308. DOI:10.3969/j.issn.1003-9198.2021.12.025. [6] Grant SW, Collins GS, Nashef SAM.Statistical primer: developing and validating a risk prediction model[J]. Eur J Cardiothorac Surg, 2018, 54(2):203-208. DOI:10.1093/ejcts/ezy180. [7] Moons KGM, de Groot JAH, Bouwmeester W, et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies: the CHARMS checklist[J]. PLoS Med, 2014, 11(10): e1001744. DOI: 10.1371/journal.pmed.1001744. [8] Moons KGM, Wolff RF, Riley RD, et al.PROBAST: a tool to assess risk of bias and applicability of prediction model studies: explanation and elaboration[J]. Ann Intern Med, 2019, 170(1):W1-W33. DOI:10.7326/M18-1377. [9] 智丽萍, 祝昭, 袁敏. 非模型-融合影像、神经认知评价和生物标志等多模态数据预测阿尔兹海默症进展阶段及转化[J]. 南京医科大学学报(自然科学版), 2022, 42(4):522-528. DOI:10.7655/NYDXBNS20220410. [10] 张嘉嘉, 秦瑶, 韩红娟, 等. 基于Landmark模型动态预测老年人轻度认知障碍向阿尔茨海默病的转化[J]. 中国卫生统计, 2022, 39(4):534-537.DOI:10.3969/j.issn.1002-3674.2022.04.011. [11] 宋娆, 吴小佳, 李传明, 等. 基于MRI影像组学及ATN分类系统的列线图预测轻度认知障碍进展[J].放射学实践, 2021, 36(12):1481-1487. DOI:10.13609/j.cnki.1000-0313.2021.12.005. [12] 庄丽英, 赖其伦, 刘璐, 等. Framingham风险评分对中老年轻度认知障碍患者进展为痴呆的预测价值[J]. 中华老年病研究电子杂志, 2021, 8(3):20-23. [13] 丛慧文, 徐雅琪, 王爱民, 等. XGBoost算法在轻度认知障碍人群阿尔兹海默病发病预测中的应用[J]. 郑州大学学报(医学版), 2022, 57(6):751-756. DOI:10.13705/j.issn.1671-6825.2021.12.068. [14] Barnes DE, Cenzer IS, Yaffe K, et al.A point-based tool to predict conversion from MCI to probable Alzheimer’s disease[J]. Alzheimers Dement, 2014,10(6):646-655. DOI:10.1016/j.jalz.2013.12.014. [15] Liu, Liu H, Lutz M, et al. Association between polygenic risk score and the progression from mild cognitive impairment to Alzheimer’s disease[J]. J Alzheimers Dis, 2021, 84(3):1323-1335. DOI:10.3233/JAD-210700. [16] Zheng W, Yao Z, Li Y, et al.Brain connectivity based prediction of Alzheimer’s disease in patients with mild cognitive impairment based on multi-modal images[J]. Front Hum Neurosci, 2019(13):399. DOI:10.3389/fnhum.2019.00399. [17] Mazzeo S, Santangelo R, Bernasconi MP, et al.Combining cerebrospinal fluid biomarkers and neuropsychological assessment: a simple and cost-effective algorithm to predict the progression from mild cognitive impairment to Alzheimer’s disease dementia[J]. J Alzheimers Dis, 2016, 54(4):1495-1508. DOI:10.3233/JAD-160360. [18] Zhou P, Zeng R, Yu L, et al.Deep-learning radiomics for discrimination conversion of Alzheimer’s disease in patients with mild cognitive impairment: a study based on 18F-FDG PET imaging[J]. Front Aging Neurosci,2021(13): 764872. DOI:10.3389/fnagi.2021.764872. [19] Wang M, Chekouo T, Ismail Z, et al.Elicited clinician knowledge did not improve dementia risk prediction in individuals with mild cognitive impairment[J]. J Clin Epidemiol, 2023(158):111-118. DOI:10.1016/j.jclinepi.2023.03.009. [20] Rodríguez-Rodríguez E, Sánchez-Juan P,Vázquez-Higuera JL, et al.Genetic risk score predicting accelerated progression from mild cognitive impairment to Alzheimer’s disease[J]. J Neural Transm, 2013, 120(5):807-812. DOI:10.1007/s00702-012-0920-x. [21] Kikuchi M, Kobayashi K, Itoh S, et al.Identification of mild cognitive impairment subtypes predicting conversion to Alzheimer’s disease using multimodal data[J]. Comput Struct Biotechnol J, 2022(20):5296-5308. DOI:10.1016/j.csbj.2022.08.007. [22] Moradi E, Pepe A, Gaser C, et al.Machine learning framework for early MRI-based Alzheimer’s conversion prediction in MCI subjects[J]. NeuroImage, 2015(104):398-412. DOI: 10.1016/j.neuroimage.2014.10.002. [23] Chen J, Chen G, Shu H, et al.Predicting progression from mild cognitive impairment to Alzheimer’s disease on an individual subject basis by applying the CARE index across different independent cohorts[J].Aging (Albany NY), 2019, 11(8):2185-2201. DOI:10.18632/aging.101883. [24] Handels RLH, Vos SJB, Kramberger MG, et al.Predicting progression to dementia in persons with mild cognitive impairment using cerebrospinal fluid markers[J]. Alzheimers Dement, 2017, 13(8):903-912. DOI:10.1016/j.jalz.2016.12.015. [25] Liu K, Chen K, Yao L, et al.Prediction of mild cognitive impairment conversion using a combination of independent component analysis and the Cox model[J].Front Hum Neurosci, 2017(11):33. DOI:10.3389/fnhum.2017.00033. [26] Sörensen A, Blazhenets G, Rücker G, et al.Prognosis of conversion of mild cognitive impairment to Alzheimer’s dementia by voxel-wise Cox regression based on FDG PET data[J]. Neuroimage Clin, 2019(21):101637. DOI: 10.1016/j.nicl.2018.101637. [27] Nezhadmoghada F, Martinez-Torteya A, Trevi?o V, et al. Robust discovery of mild cognitive impairment subtypes and their risk of Alzheimer’s disease conversion using unsupervised machine learning and gaussian mixture modeling[J]. Curr Alzheimer Res, 2021,18(7):595-606. DOI:10.2174/1567205018666210831145825. [28] Pena D, Suescun J, Schiess M, et al.Toward a multimodal computer-aided diagnostic tool for Alzheimer’s disease conversion[J]. Front Neurosci, 2022(15):744190. DOI:10.3389/fnins.2021.744190. [29] Cooke E, Smith V, Brenner M.Parents’ experiences of accessing respite care for children with Autism Spectrum Disorder (ASD) at the acute and primary care interface: a systematic review[J]. BMC Pediatr, 2020, 20(1): 244. DOI:10.1186/s12887-020-02045-5. [30] 陈香萍, 张奕, 庄一渝, 等. PROBAST:诊断或预后多因素预测模型研究偏倚风险的评估工具[J]. 中国循证医学杂志,2020,20(6):737-744.DOI:10.7507/1672-2531.201910087. [31] 张蕊, 郑黎强, 潘国伟. 疾病发病风险预测模型的应用与建立[J]. 中国卫生统计, 2015, 32(4):724-726. [32] 谷鸿秋, 王俊峰, 章仲恒, 等. 临床预测模型:模型的建立[J]. 中国循证心血管医学杂志, 2019, 11(1):14-16;23. DOI: 10.3969/j.issn.1674-4055.2019.01.04. [33] 王俊峰, 章仲恒, 周支瑞, 等. 临床预测模型:模型的验证[J]. 中国循证心血管医学杂志,2019,11(2):141-144. DOI: 10.3969/j.issn.1674-4055.2019.02.04. [34] 陶立元, 刘珏, 曾琳, 等. 针对个体的预后或诊断多因素预测模型报告规范(TRIPOD)解读[J]. 中华医学杂志, 2018, 98(44):3556-3560.DOI:10.3760/cma.j.issn.0376-2491.2018.44.002. [35] 孙雯倩, 林榕, 颜缘娇, 等. 老年认知障碍风险预测模型的研究进展[J]. 中国护理管理, 2023, 23(8): 1263-1267. DOI: 10.3969/j.issn.1672-1756.2023.08.030 [36] Hastie T, Tibshirani R, Friedman J.The elements of statistical learning: data mining, inference, and prediction[M]. New York: Springer, 2009: 1-8. DOI:10.1007/978-0-387-84858-7_1. [37] Ng K, Sun J, Hu J, et al.Personalized predictive modeling and risk factor identification using patient similarity[J]. AMIA Jt Summits Transl Sci Proc, 2015(2015):132-136. [38] Jia L, Quan M, Fu Y, et al.Dementia in China: epidemiology, clinical management,and research advances[J]. Lancet Neurol, 2020, 19(1):81-92. DOI:10.1016/S1474-4422(19)30290-X. |
| [1] | 余璐, 黄晓沁, 刘琳, 袁嘉敏, 邬青. 心力衰竭患者30天非计划性再入院风险预测模型的系统评价[J]. 护理学报, 2024, 31(8): 43-48. |
| [2] | 周越, 张杰, 潘宇帆, 戴雨, 孙羽健, 肖益, 余雨枫. 机械通气患者衰弱风险预测模型的系统评价[J]. 护理学报, 2024, 31(6): 56-61. |
| [3] | 吴林梅, 梁志金, 刘瑞杰, 钟静静, 邱予骅. COPD患者运动康复促进和阻碍因素的系统评价-基于CFIR多层次理论[J]. 护理学报, 2024, 31(5): 44-49. |
| [4] | 邢春凤, 李国新, 张广清, 刘雅鑫, 孙晓伟. 产妇产褥期乳房胀痛危险因素分析及风险预测模型构建[J]. 护理学报, 2024, 31(3): 6-11. |
| [5] | 王丽云, 张明慧, 张新月, 沙凯辉. 产后压力性尿失禁风险预测模型的系统评价[J]. 护理学报, 2024, 31(3): 57-62. |
| [6] | 欧阳蝶, 许豆豆, 孙燕荣, 陈莹, 吕安康, 吴蓓雯. 基于生活方式相关指标的非肥胖人群非酒精性脂肪肝预测模型的构建[J]. 护理学报, 2024, 31(10): 1-7. |
| [7] | 邬馨益, 徐林燕, 陈卓琦, 朱徐乐, 赵磊. 老年人运动认知功能减退综合征风险预测模型的构建与验证[J]. 护理学报, 2024, 31(10): 73-78. |
| [8] | 王微, 路潜, 宋艳茹, 柯桑桑, 刘春蕾. 我国护理核心期刊近5年预测模型研究论文分析[J]. 护理学报, 2024, 31(1): 37-41. |
| [9] | 史婷婷, 李婷, 黄友鹏, 赵媛, 朱晓丽, 周梦娟, 陈云梅. 2型糖尿病患者合并骨质疏松风险预测模型的范围综述[J]. 护理学报, 2024, 31(1): 52-57. |
| [10] | 周梦娟, 朱晓丽, 张态, 段剑锋, 罗宇梅, 马维莉, 陆涵, 史婷婷, 杨怡霖, 李婷, 查耀蕾, 赵媛. 急性胰腺炎非重症患者住院时间延长预测模型的构建及验证[J]. 护理学报, 2023, 30(9): 7-12. |
| [11] | 朱明月, 丁晓彤, 史纪元, 李峥. 自我感知老化对老年人认知功能影响的系统评价[J]. 护理学报, 2023, 30(8): 52-57. |
| [12] | 叶磊, 张爱琴, 荣芸, 夏广惠. 老年髋部骨折患者术后谵妄风险预测模型的系统评价[J]. 护理学报, 2023, 30(7): 48-52. |
| [13] | 刘畅, 常婧, 焦雨晨, 许丽娟, 嵇艳. 轻度认知障碍患者运动干预的最佳证据总结[J]. 护理学报, 2023, 30(5): 53-58. |
| [14] | 孙菲, 刘敏, 胡珊珊, 吴蕾, 刘君, 李萍. 基于Meta分析构建早产儿母亲泌乳建立风险预测评分模型[J]. 护理学报, 2023, 30(23): 1-5. |
| [15] | 杨楠楠, 蒋慧萍, 史婷奇. 基于机器学习构建住院患者深静脉血栓风险预测模型的系统评价[J]. 护理学报, 2023, 30(23): 44-49. |
|