Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Het kenmerk van de ziekte van Alzheimer bij subjectieve cognitieve achteruitgang (SIGN-AL)

3 februari 2026 bijgewerkt door: Salvatore Mazzeo, IRCCS Policlinico S. Donato

Ontrafelen van de SIGNatuur van de Ziekte van Alzheimer: Integratie van Multimodale Biomarkers via Machine Learning

Deze studie richt zich op het verbeteren van de vroege detectie van de ziekte van Alzheimer (AD) bij patiënten met subjectieve cognitieve achteruitgang (SCD), een preklinisch stadium van cognitieve stoornissen, in de context van opkomende ziekte-modificerende therapieën (DMT's). Huidige biomarkers, zoals hersenscans (MRI), PET-scans en cerebrospinale vloeistof (CSF) markers, zijn zeer nauwkeurig maar duur, invasief en niet breed toegankelijk.

De studie beoogt kosteneffectieve, schaalbare instrumenten te bieden voor de vroege identificatie van risicopersonen, waardoor gepersonaliseerde beoordeling en tijdige DMT-toediening mogelijk worden.

Doelstellingen:

  • Evalueer de nauwkeurigheid van innovatieve, gemakkelijk toegankelijke biomarkers bij het voorspellen van biologisch bevestigde AD.
  • Beoordeel de voorspellende waarde van eerder bestudeerde methoden voor SCD-patiënten.
  • Verken nieuwe benaderingen, waaronder geautomatiseerde spraakanalyse, om cognitieve achteruitgang te identificeren.
  • Evalueer genetische bijdragen aan AD-risico.
  • Integreer gegevens van deze verschillende modaliteiten met behulp van machine learning om een voorspellend model voor AD bij SCD-patiënten te creëren.

Studieontwerp:

Dit is een multicentrische, longitudinale, laag-interventiestudie uitgevoerd bij IRCCS Policlinico San Donato, San Donato Milanese, Milaan, Italië (UO1) en het Centrum voor Onderzoek en Innovatie in Dementie, Careggi Ziekenhuis, Florence, Italië (UO2). In aanmerking komende deelnemers zijn volwassenen met SCD, intact dagelijks functioneren en Mini-Mental State Examination (MMSE) scores >24. Uitsluitingscriteria omvatten neurologische of systemische ziekten, ernstige psychiatrische stoornissen, middelengebruik of eerder hoofdletsel.

Deelnemers ondergaan:

  • Gedetailleerde medische en familiegeschiedenis verzameling.
  • Uitgebreide neuropsychologische, persoonlijkheids- en zelfstandigheid in dagelijkse activiteiten beoordeling.
  • EEG-opname in rusttoestand.
  • Bloedafname voor plasma biomarkers (Aβ42, Aβ40, p-tau181, p-tau217, t-tau, NfL, GFAP).
  • CSF biomarker analyse (Aβ42, Aβ40, p-tau, t-tau).
  • Genetische analyse van AD-gerelateerde genen (PSEN1, PSEN2, APOE, TREM2, ABCA7, BDNF, HTT).
  • Spraakopname en -analyse met gestandaardiseerde taken om kenmerken te extraheren voor geautomatiseerde evaluatie.

De studie verwacht een op machine learning gebaseerd voorspellend model te creëren dat biomarker-, neuropsychologische, EEG-, spraak- en genetische gegevens combineert om vroege detectie te verbeteren en gepersonaliseerde patiëntenzorg te begeleiden.

Procedures:

  • Neuropsychologische evaluaties vinden plaats bij baseline en tweejaars follow-up.
  • Taalopnames worden uitgevoerd in gecontroleerde omgevingen met gestandaardiseerde beeldbeschrijvingstaken.
  • EEG wordt geregistreerd met 21-kanaals systemen.
  • Bloed- en CSF-monsters worden verzameld, verwerkt en opgeslagen bij -80°C voor latere analyse in respectievelijke institutionele laboratoria.
  • Plasma biomarkers worden geanalyseerd met Simoa-technologie; CSF biomarkers worden geanalyseerd met chemiluminescente enzymimmunoassay (CLEIA).
  • Genetische analyses gebruiken PCR, hoogresolutie smeltanalyse (HRMA), sequencing en capillaire elektroforese zoals geschikt voor specifieke genen of polymorfismen.

De studie verwacht een op machine learning gebaseerd voorspellend model te creëren dat biomarker-, neuropsychologische, EEG-, spraak- en genetische gegevens combineert om vroege detectie te verbeteren en gepersonaliseerde patiëntenzorg te begeleiden.

Studie Overzicht

Toestand

Werving

Conditie

Gedetailleerde beschrijving

  1. INTRODUCTIE Onderzoek naar de ziekte van Alzheimer (AD) en klinische praktijk staan op een keerpunt. Naarmate ziekte-modificerende therapieën (DMT's) voor AD beschikbaar komen, zullen neurologen, onderzoekers en gezondheidsdiensten te maken krijgen met een voorspelbare, toenemende vraag naar diagnostische evaluaties voor patiënten met cognitieve stoornissen. Daarnaast is er consensus dat DMT's in de vroegste stadia van de ziekte moeten worden toegediend om het ziekteproces te stoppen voordat neurodegeneratie begint. Om deze reden richt internationaal onderzoek zich op subjectieve cognitieve achteruitgang (SCD) en milde cognitieve stoornissen (MCI), beschouwd als de vroegste manifestaties van AD en de optimale doelpopulatie voor toekomstige DMT's. Echter, zowel MCI als SCD zijn zeer veelvoorkomende en heterogene aandoeningen met verschillende mogelijke trajecten en veel potentiële onderliggende oorzaken. Huidige erkende biomarkers voor de ziekte (hersen-MRI, PET-neuroimaging en cerebrospinale vloeistof [CSF]-biomarkers) zijn zeer nauwkeurig in het identificeren van patiënten met SCD en MCI door de ziekte van Alzheimer, maar hun grootschalig gebruik is extreem beperkt vanwege hoge kosten, slechte toegankelijkheid en invasiviteit.

    Om deze reden hebben eerdere studies voorgesteld om demografische, cognitieve en genetische kenmerken te overwegen om het risico op dementie in te schatten. Daarnaast worden op bloed gebaseerde biomarkers beschouwd als veelbelovende instrumenten om beoordeling op het niveau van eerstelijnszorg mogelijk te maken. Echter, geen van deze beoordelingen of instrumenten alleen kan voldoende nauwkeurigheid garanderen om op screeningsniveau te worden gebruikt.

  2. DOEL VAN DE STUDIE

Wij streven ernaar om:

  1. De nauwkeurigheid te evalueren van innovatievere en gemakkelijker toegankelijke biomarkers in de vroegste stadia van cognitieve achteruitgang bij het voorspellen van de aanwezigheid van biologisch gediagnosticeerde AD op basis van CSF-biomarkers.
  2. Het nut te verduidelijken van technieken die al in deze context zijn bestudeerd maar tegenstrijdige resultaten hebben opgeleverd, zoals neuropsychologische scores en elektro-encefalografie (EEG).
  3. Nieuwe analysetechnieken te verkennen die nog niet op dit gebied zijn toegepast, zoals geautomatiseerde analyse van spraakopnames (spraakanalyse).
  4. De bijdrage van genetische varianten aan het AD-risico bij patiënten met SCD te evalueren.
  5. De kenmerken en gegevens die uit deze technieken worden geëxtraheerd te combineren met behulp van een machine learning-benadering om een voorspellend model van AD bij patiënten met SCD te ontwikkelen.

3. STUDIEONTWERP Dit is een multicenter, longitudinale, interventiearme studie. Patiënten worden geworven bij de U.O.C. Neurologie van IRCCS Policlinico San Donato (hierna aangeduid als UO1) en bij het Center for Research and Innovation in Dementia (CRIDEM) van Azienda Ospedaliero-Universitaria Careggi in Florence, Italië (AOUC, hierna aangeduid als UO2).

Alle geworven patiënten ondergaan:

  1. uitgebreide verzameling van familie- en klinische geschiedenis;
  2. uitgebreide neuropsychologische evaluatie, inclusief taalopname, inschatting van cognitieve reserve, beoordeling van depressie en persoonlijkheidskenmerken;
  3. EEG-opname in rusttoestand;
  4. analyse van de volgende bloedbiomarkers: Aβ42, Aβ40, p-tau181, p-tau217, t-tau, NfL en GFAP;
  5. analyse van de volgende genen: PSEN1, PSEN2, APOE, TREM2, ABCA7, BDNF, HTT;
  6. analyse van biomarkers in cerebrospinale vloeistof (CSF): Aβ42, Aβ40, p-tau en t-tau.

3.1. STUDIEPOPULATIE.

Patiënten die aan de volgende criteria voldoen, worden geworven:

  1. Leeftijd ≥18 jaar
  2. Klinische diagnose van SCD volgens SCD-I-criteria4;
  3. Mini-Mental State Examination (MMSE)-score groter dan 24, gecorrigeerd voor leeftijd en opleidingsniveau;
  4. Normale functionaliteit op de Activities of Daily Living (ADL) en Instrumental Activities of Daily Living (IADL)-schalen.

Patiënten met:

a. Voorgeschiedenis van hoofdletsel; b. Lopende neurologische en/of systemische ziekte; c. Symptomen van psychose, ernstige depressie of stoornis in het gebruik van middelen.

4. STUDIEPROCEDURE 4.1. NEUROPSYCHOLOGISCHE EVALUATIE, BEOORDELING VAN DEPRESSIE EN INSCHATTING VAN COGNITIEVE RESERVE Het uitgebreide neuropsychologisch onderzoek wordt uitgevoerd bij baseline (inschrijving) en bij follow-up (na twee jaar) bij IRCCS Policlinico San Donato (voor patiënten ingeschreven vanuit UO1) en bij AOU Careggi (voor patiënten ingeschreven bij UO2) en omvat: globale cognitieve maten (Mini Mental State Examination); taken die verbaal en ruimtelijk kort- en langetermijngeheugen, aandacht, taal, constructieve praxis en executieve functie onderzoeken; subjectieve perceptie van geheugentekorten zoals beschreven door Mazzeo et al.; indicatoren van cognitieve reserve zoals premorbide intelligentie en recreatieve activiteiten; depressieve symptomen; onafhankelijkheidsindex in activiteiten van het dagelijks leven; persoonlijkheidskenmerken.

4.2. OPNAME EN VOORBEWERKING VAN TAAL Taalopname vindt plaats tijdens de Screening for Aphasia in Neurodegeneration (SAND) beeldbeschrijvingstaak. In een stille en gecontroleerde omgeving wordt patiënten gevraagd de "Summer Time Picture" te beschrijven volgens een gestandaardiseerde procedure. Spraakopname wordt gemaakt met een speciaal systeem, met een samplefrequentie van 44.100 Hz, genormaliseerd om een piek van -1 dB te bereiken, en teruggebracht tot 48 kHz. Het Voice Activity Detection (VAD) webRTC-algoritme wordt gebruikt om audiosegmenten te extraheren.

4.3. EEG-OPNAME, VOORBEWERKING EN KENMERKEXTRACTIE Rust-EEG-gegevens worden verzameld bij IRCCS Policlinico San Donato (voor patiënten ingeschreven vanuit UO1) en bij AOU Careggi (Florence, Italië) (voor patiënten ingeschreven bij UO2). Het standaard 21-kanaals systeem wordt gebruikt. EEG-opname begint met 10 minuten met gesloten ogen, gevolgd door afwisselend 3 minuten met open ogen en 3 minuten met gesloten ogen, twee keer herhaald. Alleen de gesloten-ogen segmenten worden gebruikt voor analyse.

4.4. VERZAMELING, HANDLING EN OPSLAG VAN BIOLOGISCHE MONSTERS Bloedmonsters worden verzameld door veneuze punctie in standaard polypropyleen buizen met EDTA (Sarstedt, Nümbrecht, Duitsland) bij de Neurologie-eenheid van het San Donato Polikliniek en de Neurologie-eenheid van het Universitair Ziekenhuis van Careggi. Volgens de klinische routine voor patiënten met cognitieve achteruitgang, na het verkrijgen van geïnformeerde toestemming voor rachicentese, worden CSF-monsters om 8 uur 's ochtends verzameld door lumbaalpunctie bij de Neurologie-eenheid van Policlinico San Donato en de Neurologie-eenheid van Careggi Universitair Ziekenhuis. Monsters worden onmiddellijk gecentrifugeerd en opgeslagen bij -80°C tot analyse wordt uitgevoerd. Bloedmonsters worden op twee tijdstippen verzameld: ten tijde van de eerste klinische beoordelingen (baseline verzameling) en twee jaar na de eerste verzameling (follow-up verzameling).

Biologische monsters van patiënten ingeschreven bij UO1 en bijbehorende gegevens verzameld voor de studie worden overgedragen aan de BioCor Biobank bij IRCCS Policlinico San Donato voor verwerking en latere opslag. Monsters worden opgeslagen in de BioCor Biobank voor maximaal 25 jaar.

Biologische monsters van patiënten ingeschreven bij UO2 en bijbehorende gegevens verzameld voor de studie worden overgedragen naar het AOUC Neurogenetica laboratorium voor verwerking en latere opslag. Ze worden binnen twee uur gecentrifugeerd bij 1300 rcf bij 4°C gedurende 10 minuten, en het plasma wordt geïsoleerd en opgeslagen bij -80°C tot analyse.

4.5. ANALYSE VAN BLOEDBIOMARKERS Analyse van plasmabiomarkers wordt uitgevoerd op de monsters genomen bij baseline en de tweejaars follow-up monsters in het AOU Careggi Neurogenetica Laboratorium met behulp van de Simoa kit voor humane monsters geleverd door Quanterix Corporation (Lexington, MA, VS) op het geautomatiseerde Simoa SR-X platform (GBIO, Hangzhou, China), volgens de instructies van de fabrikant. Plasmabiomarkerconcentraties van alle monsters worden gemeten in een enkele run. Kwaliteitscontroles worden opgenomen in de analyse en samen met de monsters getest. Een calibratiecurve wordt bepaald door serieel verdunde calibratiemetingen geleverd door Quanterix.

4.6. ANALYSE VAN CSF-BIOMARKERS Concentraties van Aβ42, Aβ40, t-tau en p-tau worden gemeten in het AOUC Neurogenetica Laboratorium met behulp van een chemiluminescente enzymimmunoassay-analyzer (CLEIA) LUMIPULSE G600 (Fujirebio, Tokio, Japan). Afkapwaarden voor CSF worden bepaald volgens de richtlijnen van Fujirebio.

4.7. GENETISCHE ANALYSE Genetische analyses worden uitgevoerd in het AOUC Neurogenetica Laboratorium.

Een standaard geautomatiseerde methode (QIAcube, QIAGEN) wordt gebruikt om DNA uit bloedmonsters te isoleren. De geselecteerde genen worden als volgt geanalyseerd:

  • APP, PSEN1, PSEN2: Alle coderende exonen en intron/exon-grenzen worden geamplificeerd door polymerasekettingreactie (PCR) met primers ontworpen met Primer3-software.
  • APOE-genotypen: APOE-genotypen worden onderzocht door HRMA. Monsters met bekende APOE-genotypen gevalideerd via DNA-sequencing worden gebruikt als standaardreferenties.

  • CAG-repeat-expansies in HTT: Deze worden bepaald door polymerasekettingreactie-amplificatietest, met behulp van fluorescerend gelabelde primers. Fragmentgrootte wordt bepaald door capillaire elektroforese met behulp van de "SeqStudio Genetic Analyzer" (ThermoFisher) en GeneMapper versie 4.0-software (Applied Biosystems). Een set HTT CAG-allelen, waarvan de lengtes worden bevestigd door DNA-sequencing, wordt gebruikt als groottenstandaard.

    5. DATA-ANALYSE

Data-analyse bestaat uit de volgende stappen:

  1. Beschrijvende statistische analyse
  2. Training en testen van het machine learning-model

5.1. BESCHRIJVENDE STATISTISCHE ANALYSE De verdeling van variabelen wordt geëvalueerd met behulp van de Shapiro-Wilk-test. De groepen patiënten worden gekarakteriseerd met behulp van gemiddelde en standaarddeviatie, medianen en interkwartielbereiken (IQR's), frequenties of percentages, en 95% betrouwbaarheidsintervallen voor respectievelijk continue variabelen, niet-normaal verdeelde continue variabelen en categorische variabelen. Afhankelijk van de verdeling van gegevens gebruiken we ANOVA of niet-parametrische Kruskal-Wallis-tests voor vergelijkingen tussen groepen, en Pearson's of Spearman's correlatiecoëfficiënt om correlaties tussen numerieke maten te beoordelen. Chi-kwadraattests worden gebruikt om categorische gegevens te vergelijken. Effectgroottes worden berekend met Cohen's d voor normaal verdeelde numerieke maten, η² voor Mann-Whitney's U-test, en Cramer's V-test voor categorische gegevens.

5.2. TRAINING EN TESTEN VAN HET MACHINE LEARNING-MODEL We definiëren een set multimodale kenmerken inclusief neuropsychologische scores, indicatoren van cognitieve reserve, persoonlijkheidskenmerken, EEG-kenmerken, plasmabiomarkers en genetische varianten. Een gemeenschappelijke metriek wordt gedefinieerd op basis van de spreiding van elke profieldimensie, en vervolgens trainen we een machine learning-algoritme om elk profiel "vector" te associëren met biomarkerprofielen. In eerste instantie voeren we deze classificatie uit met standaard machine learning-procedures. In een aparte set analyses volgen we een deep learning-benadering door een meerlaags feedforward kunstmatig neuraal netwerk (ANN) te trainen om CSF-biomarkerprofielen van patiënten te voorspellen. Het model met de beste prestaties (zoals beoordeeld door de AUC's van de ROC-curves) wordt getest op de testset om een onbevooroordeelde schatting van modelprestaties te verkrijgen.

6. STEKPROEFGROOTTE Uitgaande van een steekproef-AUC-waarde van 0,8, zal de standaardfoutberekeningsmethode voorgesteld door Hanley en McNeil (1982) het mogelijk maken de grenzen van het betrouwbaarheidsinterval te bepalen, met 40 patiënten in de groep met de ziekte van Alzheimer (20%) en 160 in de groep zonder (80%, percentages geschat uit gegevens van eerdere studies uitgevoerd bij AOU Careggi15), van breedte 0,173 (0,713-0,887). Alle andere dingen gelijk blijvend, uitgaande van een AUC van 0,9, zal het betrouwbaarheidsinterval 0,131 (0,834-0,966) zijn. Rekening houdend met een uitval van 20%, resulteert de steekproef van in te schrijven proefpersonen in 250.

Studietype

Observationeel

Inschrijving (Geschat)

250

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studiecontact

Studie Locaties

  • Italië
    • Milan
      • San Donato Milanese, Milan, Italië, 20097
        • Werving
        • IRCCS Policlinico San Donato

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Bemonsteringsmethode

Kanssteekproef

Studie Bevolking

Deelnemers worden achtereenvolgens geworven onder patiënten die worden doorverwezen voor cognitieve stoornissen naar de Neurologie-eenheid (U.O.C.) van IRCCS Policlinico San Donato (hierna UO1 genoemd) en naar het Onderzoeks- en Innovatiecentrum voor Dementie (CRIDEM) van het Careggi Universitair Ziekenhuis in Florence (AOUC, hierna UO2 genoemd).

Beschrijving

Insluitingscriteria:

  • Klinische diagnose van SCD volgens de SCD-I criteria;
  • Mini-Mental State Examination (MMSE) score hoger dan 24, aangepast voor leeftijd en opleidingsniveau;
  • Normaal functioneren op de Activiteiten van het Dagelijks Leven (ADL) en Instrumentele Activiteiten van het Dagelijks Leven (IADL) schalen.

Uitsluitingscriteria:

  • Voorgeschiedenis van hoofdletsel;
  • Huidige neurologische en/of systemische ziekten;
  • Symptomen van psychose, ernstige depressie of stoornis in het gebruik van middelen.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Cohorten en interventies

Groep / Cohort
Subjectieve Cognitieve Achteruitgang
Individuen die klagen over cognitieve achteruitgang die niet wordt bevestigd door neuropsychologisch onderzoek

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Diagnostische nauwkeurigheid van biomarkers bij het detecteren van de ziekte van Alzheimer
Tijdsspanne: 12-24 maanden
De nauwkeurigheid van bloedgebaseerde biomarkers zal worden geëvalueerd voor het voorspellen van een biologische diagnose van AD en voor het voorspellen van de progressie van cognitieve achteruitgang tijdens de follow-up. De biologische diagnose van AD zal worden gedefinieerd door cerebrospinale vloeistof biomarker positiviteit, specifiek een abnormale Aβ42/Aβ40-ratio en verhoogde CSF p-tau181. Progressie van cognitieve achteruitgang zal worden gedefinieerd als verslechtering in ten minste één cognitief domein, verlies van autonomie, of progressie naar MCI of dementie.
12-24 maanden

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Nauwkeurigheid van neuropsychologische en neurofysiologische meetmethoden bij het voorspellen van AD-pathologie gedefinieerd volgens het CSF-biomarkerprofiel.
Tijdsspanne: 12-24 maanden

Klassieke regressiemodellen en machine learning-modellen om de AD-pathologie te voorspellen. AD-pathologie wordt gedefinieerd volgens het CSF-biomarkerprofiel als volgt: A+ als ten minste één van de kernbiomarkers (CSF Aβ42/Aβ40-ratio<0.069, p-tau>56,5 ng/L) positief is, en als A- als geen van de kernbiomarkers positief is.

De volgende neuropsychologische scores worden als voorspellers beschouwd: globale metingen, Digit en Visuo-spatiale Span, Rey Auditory Verbal Learning Test, Short Story Recall, Rey-Osterrieth complexe figuur kopiëren en herinneren, Trail Making Test, aandachtmatrices, Multiple Features Targets Cancellation, Category Fluency Task, Phonemic Fluency Task, de Screening for Aphasia NeuroDegeneration, Copying drawings.

Wat betreft neurofysiologische metingen, gebruiken we als voorspellers de volgende EEG-kenmerken: absolute en relatieve vermogens in frequentiebanden (alfa, bèta, theta, delta); Piekgemiddelde frequentie en individuele alfafrequentie; Power spectral density-metingen.
12-24 maanden
Nauwkeurigheid van geautomatiseerde spraakanalyse bij het voorspellen van de ziekte van Alzheimer
Tijdsspanne: 12-24 maanden

Klassieke regressiemodellen en machine learning-modellen om de AD-pathologie te voorspellen. AD-pathologie zal worden gedefinieerd volgens het CSF-biomarkerprofiel als volgt: A+ als ten minste één van de kernbiomarkers (CSF Aβ42/Aβ40 ratio<0.069, p-tau>56,5 ng/L) positief is, en als A- als geen van de kernbiomarkers positief is.

Geautomatiseerde spraakanalyse zal worden gebruikt om de volgende kenmerken te extraheren die als voorspellers in het model zullen worden gebruikt: akoestische en stemkwaliteitsmaten (fundamentale frequentie, intensiteit, jitter, shimmer, formantfrequenties); prosodische kenmerken (spraak- en articulatietempo, toonhoogtevariabiliteit, pauzefrequentie en -duur, intonatiepatronen); temporele en vloeiendheidsmaten (fonatietijd, reactielatentie, gevulde en ongevulde pauzes, disfluenties); en linguïstische kenmerken afgeleid van automatische transcripties, waaronder lexicale diversiteit, woordfrequentie, woordsoortverdelingen, syntactische complexiteit en semantische coherentie.
12-24 maanden
Effect van genetische varianten op het risico van AD bij patiënten met SCD
Tijdsspanne: 12-24 maanden
Een logistisch regressiemodel en een Cox-regressiemodel zullen worden gebruikt om het risico op AD te schatten. AD-pathologie zal worden gedefinieerd volgens het CSF-biomarkerprofiel als volgt: AD-pathologie zal worden gedefinieerd volgens het CSF-biomarkerprofiel als volgt: A+ als ten minste één van de kernbiomarkers (CSF Aβ42/Aβ40 ratio<0,069, p-tau>56,5 ng/L) positief is, en als A- als geen van de kernbiomarkers positief is. Genetische varianten in kandidaatgenen (PSEN1, PSEN2, APOE, TREM2, ABCA7, BDNF, HTT en APOE) zullen als onafhankelijke variabelen in het model worden beschouwd.
12-24 maanden
Een machine learning-model om AD te voorspellen
Tijdsspanne: 12-24 maanden

Kenmerken die in de vorige secties zijn geïdentificeerd (plasma biomarkers, neuropsychologische, neurofysiologische en genetische metingen) zullen als voorspellers worden opgenomen in een multimodaal machine learning-model. Een machine learning-algoritme zal worden getraind om AD-pathologie te voorspellen, gedefinieerd volgens het CSF-biomarkerprofiel als volgt: A+ als ten minste één van de kernbiomarkers (CSF Aβ42/Aβ40 ratio<0,069, p-tau>56,5 ng/L) positief is, en als A- als geen van de kernbiomarkers positief is.

Dertig procent van de volledige dataset zal worden gereserveerd als een testset, terwijl de overige 70% zal worden gebruikt voor training en validatie. Een vijfvoudige kruisvalidatiebenadering zal worden toegepast om de modellen te trainen en hyperparameters te optimaliseren. Het best presterende model, zoals beoordeeld door het gebied onder de ROC-curve (AUC), zal worden getest op de achtergehouden testset om een onbevooroordeelde schatting van de modelprestaties te verkrijgen.
12-24 maanden

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

IRCCS Policlinico S. Donato

Medewerkers

Azienda Ospedaliero-Universitaria Careggi

Onderzoekers

  • Hoofdonderzoeker: Salvatore Mazzeo, MD, PhD, Università Vita-Salute San Raffaele, Milano - Neurology Unit, IRCCS Policlinico San Donato, San Donato Milanese

Publicaties en nuttige links

De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.

Algemene publicaties

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

1 oktober 2025

Primaire voltooiing (Geschat)

1 oktober 2027

Studie voltooiing (Geschat)

1 maart 2028

Studieregistratiedata

Eerst ingediend

11 september 2025

Eerst ingediend dat voldeed aan de QC-criteria

3 februari 2026

Eerst geplaatst (Werkelijk)

11 februari 2026

Updates van studierecords

Laatste update geplaatst (Werkelijk)

11 februari 2026

Laatste update ingediend die voldeed aan QC-criteria

3 februari 2026

Laatst geverifieerd

1 februari 2026

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • CET 25-2025
  • Robert-Katzman Award 2024 (Ander subsidie-/financieringsnummer: American Academy of Neurology, Alzheimer's Association, American Brain Foundation)

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

ONBESLIST

Beschrijving IPD-plan

De datasets die tijdens de huidige studie zijn gegenereerd en/of geanalyseerd, zijn op redelijk verzoek beschikbaar bij de corresponderende auteur

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Abonneren