DOI: https://doi.org/10.1186/s13195-025-01765-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40450374
تاريخ النشر: 2025-05-31
المؤلف: Lorenzo Gaetano Amato وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تقدم البحث خط أنابيب تشخيصي جديد لمرض الزهايمر (AD) باستخدام نموذج تشخيص مرض الزهايمر الرقمي (DADD)، الذي يولد علامات حيوية شخصية من تسجيلات تخطيط الدماغ الكهربائي (EEG) غير الغازية. تتناول هذه الطريقة قيود أساليب التشخيص المبكر الحالية، التي غالبًا ما تعتمد على تقنيات غازية وتفتقر إلى الموثوقية في المراحل السريرية المبكرة مثل التدهور المعرفي الذاتي (SCD). شمل الدراسة 124 مشاركًا، بما في ذلك مجموعة تحكم، وأظهرت أن العلامات الحيوية الرقمية المستمدة من DADD حسنت بشكل كبير من دقة التشخيص: حيث ميزت SCD عن المشاركين الأصحاء بزيادة قدرها 7% مقارنة بعلامات EEG القياسية، وحققت دقة بنسبة 88% في تحديد إيجابية علامات السائل الدماغي الشوكي (CSF)، وتنبأت بالتحولات السريرية بدقة 87%.
تؤكد النتائج على إمكانيات نموذج DADD في تحويل تشخيص مرض الزهايمر المبكر من خلال توفير علامات حيوية رقمية قوية وقابلة للتفسير وفعالة من حيث التكلفة. هذه العلامات الحيوية حساسة بشكل خاص للتدهور المعرفي المبكر، مما يجعلها مناسبة للتكامل في أدوات تحليل EEG السريرية لاكتشاف التغيرات العصبية الفيزيولوجية الدقيقة. علاوة على ذلك، يسمح الإطار بالمراقبة الطولية للتدهور العصبي ويمكن دمجه مع تقنيات التصوير الهيكلي لإنشاء مسارات تقدم مرض شخصية. تعزز هذه الطريقة متعددة الوسائط دقة التشخيص وتدعم استراتيجيات التدخل الفردية، مما يتماشى مع مبادئ الطب الدقيق في إدارة مرض الزهايمر.
مقدمة
تُعتبر إدارة مرض الزهايمر (AD) تحديًا طبيًا كبيرًا، حيث تشير التوقعات إلى أن عدد الأفراد الذين يعيشون مع الخرف قد يصل إلى 140 مليون بحلول عام 2050، مما يتسبب في تكاليف تصل إلى حوالي 17 تريليون دولار. يعد التشخيص المبكر أمرًا ضروريًا، خاصة من خلال تحديد التدهور المعرفي الذاتي (SCD)، الذي يتميز بصعوبات معرفية يتم الإبلاغ عنها ذاتيًا والتي لا يمكن اكتشافها بعد من خلال الاختبارات القياسية. بينما قد يشير SCD إلى التدهور العصبي الكامن المرتبط بمرض الزهايمر، فإن معظم الأفراد الذين يعانون من SCD يبقون مستقرين، مما يعقد تصنيفه كمرحلة مبكرة من مرض الزهايمر. ومع ذلك، قد يقلل التدخل في الوقت المناسب خلال مرحلة SCD من عدد حالات مرض الزهايمر بنسبة 36% ومن التكاليف الإجمالية بنسبة 20%.
ظهر تخطيط الدماغ الكهربائي (EEG) كأداة واعدة للكشف المبكر عن التدهور المعرفي نظرًا لفعاليتها من حيث التكلفة وسهولة الوصول مقارنةً بتصوير الرنين المغناطيسي (MRI) وفحوصات PET. ومع ذلك، فإن قيود EEG في الدقة المكانية والتحديات المتعلقة بترجمة تقنيات التعلم العميق إلى الممارسة السريرية تعيق اعتمادها على نطاق واسع لتشخيص مرض الزهايمر. لمعالجة هذه القضايا، يقدم البحث نموذج تشخيص مرض الزهايمر الرقمي (DADD)، الذي يستخدم نمذجة دماغ شخصية وبيانات EEG لتوليد علامات حيوية رقمية لمرض الزهايمر. أظهر نموذج DADD دقة عالية في التنبؤ بعلامات السائل الدماغي الشوكي وانتقالات التدهور المعرفي السريري، مما يوفر نهجًا جديدًا لدمج نماذج الدماغ الشخصية في الإعدادات السريرية لتحسين تشخيص وإدارة مرض الزهايمر.
الطرق
في هذه الدراسة، استخدم المؤلفون خط أنابيب شامل لمعالجة EEG باستخدام MATLAB وأداة EEGLAB، مع الالتزام بإرشادات خط أنابيب PREP. شملت خطوات المعالجة المسبقة تصفية النطاق الترددي (1-45 هرتز)، وإزالة القنوات المزعجة، وإعادة المرجعية المتوسطة، وتحليل المكونات المستقلة (ICA) المخصص لإزالة الشوائب. شارك المشاركون في مهمة معرفية تتطلب التعرف على الأشكال، وتم تحليل إشارات EEG لاستخراج إمكانيات مرتبطة بالحدث (ERPs) خلال أطر زمنية محددة، لا سيما مكونات P1 وN1 لمعالجة الترميز، ومكون P2 لمعالجة القرار. ركز التحليل على سعات الذروة والزمن، مما كشف عن عدم وجود اختلافات كبيرة بين المجموعات، بينما تم تقييم الاتصال الوظيفي بناءً على الارتباطات بين القنوات.
لتصنيف المشاركين مع التدهور المعرفي الذاتي (SCD) ومجموعة التحكم (CTR)، نفذ المؤلفون خط أنابيب تعلم الآلة، واختبروا خوارزميات مختلفة واختاروا في النهاية نموذج الغابة العشوائية. أظهرت العلامات الحيوية الرقمية دقة تصنيف متفوقة (79% ± 3%) مقارنة بعلامات EEG القياسية (72% ± 7%)، حيث أكد اختبار مك نيمار وجود اختلافات كبيرة (p = 0.031). بالإضافة إلى ذلك، كانت المنطقة تحت منحنى خصائص التشغيل المستقبلية (ROC) أعلى للعلامات الحيوية الرقمية (AUC = 0.79 ± 0.03) مقارنة بعلامات EEG القياسية (AUC = 0.70 ± 0.03)، مما يشير إلى إمكانات تشخيصية معززة للعلامات الحيوية الرقمية في التمييز بين المشاركين SCD وCTR.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على نقاط البيانات والاتجاهات المهمة التي تم ملاحظتها. عادةً ما تدعم النتائج تحليلات إحصائية ذات صلة، والتي قد تشمل قيم p، وفترات الثقة، أو معاملات الارتباط، اعتمادًا على طبيعة البحث.
في هذا القسم، قد يقارن المؤلفون أيضًا نتائجهم مع الأدبيات الموجودة، موضحين كيف تتماشى نتائجهم أو تتناقض مع الدراسات السابقة. غالبًا ما تُستخدم وسائل الإيضاح مثل الرسوم البيانية، والجداول، أو المخططات للتواصل بشكل فعال مع البيانات المعقدة وتعزيز فهم القارئ للنتائج. بشكل عام، يخدم هذا القسم لتقديم ملخص واضح وموجز للأدلة التجريبية التي تم جمعها، مما يمهد الطريق للنقاشات والاستنتاجات اللاحقة.
المناقشة
في هذه الدراسة، استكشفنا فعالية العلامات الحيوية الرقمية المستمدة من خط أنابيب التوأم الرقمي الشخصي القائم على نموذج DADD، باستخدام تسجيلات EEG من المشاركين الذين يعانون من التدهور المعرفي الذاتي (SCD) والأشخاص الأصحاء (CTR). تم تجنيد 126 مريضًا، حيث تم تشخيص 86 منهم بـ SCD و19 من الأصحاء تم تضمينهم للمقارنة. تمكن نموذج DADD من التقاط الآليات العصبية المرتبطة بمرض الزهايمر (AD)، مما أتاح إعادة بناء علامات حيوية رقمية شخصية تميزت بشكل كبير بين مرضى SCD ومواضيع CTR. بشكل ملحوظ، أظهرت العلامة الحيوية الرقمية “فقدان الاتصال” قدرة عميقة على التمييز بين هذه المجموعات، متفوقة على مقاييس EEG القياسية في دقة التنبؤ بإيجابية السائل الدماغي الشوكي (CSF) والتحولات السريرية.
تشير النتائج إلى أن العلامات الحيوية الرقمية لا توفر فقط قدرات تصنيف قوية ولكنها تعكس أيضًا العمليات العصبية الموثقة جيدًا، مما يمثل تقدمًا كبيرًا في تشخيص مرض الزهايمر المبكر. تقترح نتائج الدراسة أن دمج العلامات الحيوية الرقمية مع ميزات EEG القياسية يمكن أن يعزز أداء التصنيف، على الرغم من أن الجمع لم يحسن التنبؤات لإيجابية CSF. بشكل عام، تؤكد هذه الأبحاث على إمكانيات النماذج الحاسوبية في تحديد المؤشرات المبكرة لمرض الزهايمر، مما يمهد الطريق لاستراتيجيات تشخيصية محسنة في المراحل السريرية المبكرة من المرض.
DOI: https://doi.org/10.1186/s13195-025-01765-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40450374
Publication Date: 2025-05-31
Author(s): Lorenzo Gaetano Amato et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
The research presents a novel diagnostic pipeline for Alzheimer’s disease (AD) utilizing the Digital Alzheimer’s Disease Diagnosis (DADD) model, which generates personalized biomarkers from non-invasive electroencephalographic (EEG) recordings. This approach addresses the limitations of current early diagnostic methods, which often rely on invasive techniques and lack reliability for preclinical stages like subjective cognitive decline (SCD). The study involved 124 participants, including a control group, and demonstrated that the DADD-derived digital biomarkers significantly improved diagnostic accuracy: they distinguished SCD from healthy participants with a 7% increase over standard EEG biomarkers, achieved 88% accuracy in identifying cerebrospinal fluid (CSF) biomarker positivity, and predicted clinical conversions with 87% accuracy.
The findings underscore the potential of the DADD model to transform early AD diagnosis by providing robust, interpretable, and cost-effective digital biomarkers. These biomarkers are particularly sensitive to early cognitive decline, making them suitable for integration into clinical EEG analysis tools to detect subtle neurophysiological changes. Furthermore, the framework allows for longitudinal monitoring of neurodegeneration and could be combined with structural imaging techniques to create personalized disease progression trajectories. This multimodal approach enhances diagnostic precision and supports individualized intervention strategies, aligning with the principles of precision medicine in AD management.
Introduction
The management of Alzheimer’s disease (AD) is increasingly recognized as a significant medical challenge, with projections indicating that the number of individuals living with dementia could reach 140 million by 2050, incurring costs of approximately $17 trillion. Early diagnosis is essential, particularly through the identification of subjective cognitive decline (SCD), which is characterized by self-reported cognitive difficulties that are not yet detectable by standardized tests. While SCD may indicate underlying neurodegeneration associated with AD, most individuals with SCD remain stable, complicating its classification as an early phase of AD. Nevertheless, timely intervention during the SCD phase could potentially reduce the number of AD cases by 36% and overall costs by 20%.
Electroencephalography (EEG) has emerged as a promising tool for early detection of cognitive decline due to its cost-effectiveness and accessibility compared to MRI and PET scans. However, EEG’s limitations in spatial resolution and the challenges of translating deep-learning techniques into clinical practice hinder its widespread adoption for AD diagnosis. To address these issues, the study introduces the Digital Alzheimer’s Disease Diagnosis (DADD) model, which utilizes personalized brain modeling and EEG data to generate digital biomarkers for AD. The DADD model has shown high accuracy in predicting cerebrospinal fluid biomarkers and transitions to clinical cognitive decline, thereby offering a novel approach to integrating personalized brain models into clinical settings for improved diagnosis and management of Alzheimer’s disease.
Methods
In this study, the authors employed a comprehensive EEG pre-processing pipeline using MATLAB and the EEGLAB Toolbox, adhering to the PREP pipeline guidelines. The pre-processing steps included band-pass filtering (1-45 Hz), removal of noisy channels, average re-referencing, and a custom Independent Component Analysis (ICA) for artifact elimination. Participants engaged in a cognitive task requiring shape recognition, with EEG signals analyzed to extract Event-Related Potentials (ERPs) during specific timeframes, notably the P1 and N1 components for encoding processing, and the P2 component for decision processing. The analysis focused on peak amplitudes and latencies, revealing no significant differences across groups, while functional connectivity was assessed based on correlations among channels.
To classify participants with Subjective Cognitive Decline (SCD) and Control (CTR) groups, the authors implemented a machine-learning pipeline, testing various algorithms and ultimately selecting a Random Forest model. Digital biomarkers demonstrated superior classification accuracy (79% ± 3%) compared to standard EEG biomarkers (72% ± 7%), with McNemar’s test confirming significant differences (p = 0.031). Additionally, the area under the Receiver Operating Characteristic (ROC) curve was higher for digital biomarkers (AUC = 0.79 ± 0.03) than for standard EEG biomarkers (AUC = 0.70 ± 0.03), indicating enhanced diagnostic potential for digital biomarkers in distinguishing between SCD and CTR participants.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data points and trends observed. The results are typically supported by relevant statistical analyses, which may include p-values, confidence intervals, or correlation coefficients, depending on the nature of the research.
In this section, the authors may also compare their findings with existing literature, demonstrating how their results align or contrast with previous studies. Visual aids such as graphs, tables, or charts are often employed to effectively communicate complex data and enhance the reader’s understanding of the results. Overall, this section serves to provide a clear and concise summary of the empirical evidence gathered, laying the groundwork for subsequent discussions and conclusions.
Discussion
In this study, we explored the efficacy of digital biomarkers derived from a personalized digital twin pipeline based on the DADD model, utilizing EEG recordings from participants with subjective cognitive decline (SCD) and healthy controls (CTR). A total of 126 patients were recruited, with 86 diagnosed with SCD and 19 healthy subjects included for comparison. The DADD model effectively captured neurodegenerative mechanisms associated with Alzheimer’s disease (AD), enabling the reconstruction of personalized digital biomarkers that significantly discriminated between SCD patients and CTR subjects. Notably, the digital biomarker “Connective Loss” demonstrated a profound ability to differentiate between these groups, outperforming standard EEG metrics in predictive accuracy for cerebrospinal fluid (CSF) positivity and clinical conversions.
The findings indicate that digital biomarkers not only provide robust classification capabilities but also reflect well-documented neurodegenerative processes, marking a substantial advancement in early AD diagnosis. The study’s results suggest that integrating digital biomarkers with standard EEG features can enhance classification performance, although the combination did not improve predictions for CSF positivity. Overall, this research underscores the potential of computational models in identifying early indicators of AD, paving the way for improved diagnostic strategies in preclinical stages of the disease.