2024年2月22日，医学顶刊NEJM（New England Journal of Medicine）（医学一区，IF=158.5）发表了一篇题为：“Biomarker Changes during 20 Years Preceding Alzheimer’s Disease”的文章。
该文章对2000年1月至2020年12月参加中国认知与衰老研究的认知正常参与者的阿尔茨海默病生物标志物进行了一项多中心、巢式病例对照研究，报告了脑脊液（CSF）生物标志物的时间过程、诊断前它们与保持认知正常的匹配参与者组的生物标志物分化的时间，以及生物标志物变得异常的时间顺序。
一、研究摘要
背景：在正常认知和散发性阿尔茨海默病诊断之间发生的生物标志物变化尚未在纵向研究中得到广泛研究。
目的：估计最终被诊断为阿尔茨海默病的参与者中几种脑脊液生物标志物的变化轨迹，并评估这些参与者的生物标志物变化与未发生阿尔茨海默病的参与者之间的差异。
设计：巢式病例对照研究。
方法：该文章对2000年1月至2020年12月参加中国认知与衰老研究的认知正常参与者的阿尔茨海默病生物标志物进行了一项多中心、巢式病例对照研究。这些参与者中的一个亚组每隔2至3年接受脑脊液（CSF）测试、认知评估和脑成像。将648例发生阿尔茨海默病的受试者与648例认知正常的受试者进行匹配，分析两组脑脊液生化标志物浓度、认知测试和影像学的时间轨迹。
结果：中位随访时间为19.9年（四分位距，19.5~20.2）。阿尔茨海默病组的CSF和成像生物标志物与认知正常组的生物标志物在确诊前以下估计年数出现分离：淀粉样蛋白β（Aβ）42为18年；Aβ42与Aβ40比值为14年；磷酸化tau 181蛋白为11年；总tau蛋白为10年；神经丝轻链为9年；海马体积为8年；认知能力下降为6年。随着认知障碍的进展，阿尔茨海默病组CSF生物标志物水平的变化最初加快，随后减慢。
二、研究结果
1.研究对象纳入排除
该文章基于COAST全国性前瞻性队列研究大型数据库，首先确定了总体COAST研究在2000年有 52,388 名参与者，在经过纳排标准筛选后剩下1789名参与者入组，在最后一次随访中，695名参与者被诊断为阿尔茨海默病，1094名参与者的认知能力仍然正常。在基于年龄、性别和教育水平的倾向评分匹配后，648名（93.2%）患有阿尔茨海默病的参与者以1：1的比例成功匹配。
郑老师：巢式病例对照研究是基于队列研究发展的一种病例对照研究，作者是从1789参与者中，找到695 AD，再采用倾向得分匹配相应的对照所形成的。它的有点，可以避免传统病例对照研究研究的回忆偏倚，也可以减少队列研究的随访市场和检测成本。
2.基线特征描述
下表展示了匹配数据集两组人群的基线特征，在这两个群体中，男性人数略多于女性。两组的基线脑脊液生物标志物水平、认知评分和海马体积相似。最终发生阿尔茨海默病的参与者比匹配的对照组更有可能成为APOE ε4等位基因的携带者（37.2%与20.4%相比较）。总体而言，参与者的教育水平略高于中国老年人口的教育水平。
3.生物标志物平均预测值轨迹
下图显示了每种生物标志物的平均预测值轨迹，文章使用向后时间尺度评估生物标志物轨迹。对于被诊断为阿尔茨海默病的受试者，第0年表示诊断年份；对于认知正常参与者的，第0年表示随访结束。由下图可以看出两组人群差异随着时间的推移不断扩大。
4.生物标志物的变化
文章通过Wald 检验评估了阿尔茨海默病参与者和认知正常参与者之间生物标志物的差异。
5.生物标志物的变化率随认知能力下降而变化的RCS曲线
在患有阿尔茨海默病的个体参与者中，脑脊液Aβ浓度、脑脊液Aβ比值、总tau浓度和磷酸化tau 181浓度与认知能力下降相关的进展最初似乎加速，并且在目视检查中，MMSE评分约为25分，LMT 评分约为11分。随后，尽管认知评分进一步下降，但变化速度似乎放缓。总tau浓度的变化率增加，直到MMSE评分达到27.26分，LMT评分达到12.56分，此后似乎减慢。
三、统计方法分析
首先对纳入的参与者进行倾向评分匹配，评估生物标志物轨迹，通过建立潜类别混合效应模型并使用赤池和贝叶斯信息准则确定最终轨迹模型并对生物标志物轨迹进行评估。
随后通过wald检验方法评估阿尔茨海默病患者组和认知正常对照组之间生物标志物的差异。
下面介绍文章的研究设计以及所采用的潜类别混合效应模型、wald检验以及RCS曲线的方法。
1.研究设计
P（participants）研究参与者：COAST数据库中符合纳排标准的648名患有阿尔茨海默病的参与者。
E（Exposure）暴露：
脑脊液和影像学生物标志物值：淀粉样蛋白Aβ42，Aβ42与淀粉样蛋白Aβ40的比值，磷酸化tau蛋白181、总tau、神经丝轻链和海马体积
认知能力：
简易精神状态检查MMSE：范围为0到30，分数越高表示表现越好；
临床痴呆评级CDR-SB：范围为0到18，分数越高表示损伤越大；
逻辑记忆测试LMT：范围为0到25，分数越高表示记忆能力越好。
C（Comparison）对照：与患有阿尔茨海默病的参与者匹配的认知能力正常的参与者。
O（Outcome）结局：确诊患有阿尔茨海默病。
2.建立潜类别混合效应模型
LCMM是一种混合效应模型，能应用于非高斯分布的生物标志物纵向研究。
文章使用R软件lcmm软件包通过建立潜类别混合效应模型（LCMM）估计每个生物标志物随时间推移的轨迹，模型纳入了回溯时间的二次函数，并针对病例与对照分组状态、协变量（年龄、性别、教育水平和 APOE 状态）以及它们与时间和时间平方的相互作用进行了调整。
对于生物标志物，文章通过参数化链接函数将其转化为校正偏离的正态分布，参与者内部的相关性由相关的随机截距以及时间和时间平方的斜率来解释。
最后通过赤池和贝叶斯信息准则确定具有最佳节数的最终模型。
郑老师：潜类别混合效应模型属于一类估计增长模型，最近几年比较热门，它是纵向研究的一类新颖的方法，有兴趣可以关注下。郑老师3.20有一次关于轨迹增长模型的讨论会，欢迎预约参加
3.Wald检验
文章使用R软件mvtnorm包进行Wald检验，评估阿尔茨海默病参与者和认知正常参与者之间生物标志物的差异。
将每个生物标志物的拟合浓度分别缩放并聚合到一个组合模型中，以显示生物标志物随时间的变化序列。
同时，文章使用链式方程的多重插补来解决缺失的数据。
4.RCS曲线
文章通过计算连续随访之间的变化率（从随后的浓度中减去第一个测量的浓度，然后将差值除以第一个浓度），得到每个参与者每个生物标志物的纵向变化率.
通过R软件rms包来拟合非限制性立方样条图，将生物标志物的变化率作为认知能力下降的函数，并根据年龄、性别、教育水平和 APOE 状态进行调整。
后记
本文具有很好的创新性，在风险预测模型与系统评价文章越来越饱和的情况下，作者巧妙性地将潜类别混合效应模型、Wald检验与RCS曲线相结合，基于中国COAST大型数据库的长期随访数据进行了巢式病例-对照研究，通过潜类别混合效应模型灵活地处理生物标志物值此类非高斯分布纵向研究数据，并结合了Wald检验方法与RCS曲线，确实是一篇好文章，提供了新的写作思路，供各位参考！
