利用常規資料在資源受限環境中重建和預測阿爾茨海默病患者疾病軌跡

阿爾茨海默病是一種進行性神經退行性疾病，其進展速度在不同患者之間差異巨大。現有研究大多聚焦於預測患者未來的認知狀態，而很少關注如何從過去的不規律就診記錄中重建完整的疾病軌跡。此外，當前的研究在量化預測不確定性方面仍顯不足，並且常常依賴於昂貴的檢查手段如磁共振成像（MRI）、正電子發射斷層掃描（PET）和腦脊液（CSF）檢測，這使得這些方法在資源有限的地區難以廣泛應用。

針對這些挑戰，本研究提出了一種名為GNOVA的統一框架——一種結合門控迴圈單元（GRU）和神經常微分方程（Neural ODE）的變分自編碼器（VAE）。該框架旨在實現以下四個主要目標：第一，從不規律的就診資料中雙向預測認知評分，從而呈現完整的疾病軌跡；第二，提供插值和外推能力，幫助臨床醫生做出知情的預後決策；第三，為所有預測提供校準良好的不確定性估計；第四，僅利用常規就診即可獲得的資料達成上述所有目標。

GNOVA的架構將GRU編碼器與神經ODE解碼器整合在變分自編碼器中。GRU編碼器能夠處理任意時間點上的任意數量的輸入，而神經ODE解碼器則進行連續時間估計，使得模型可以在任意時間點進行插值和外推。變分自編碼器部分則為預測提供了不確定性估計。

研究團隊使用了阿爾茨海默病神經影像學倡議（ADNI）資料集中的1727名患者資料，時間跨度長達10年。在不依賴任何神經影像或生物標誌物資料的情況下，模型對CDR-SB評分和MMSE評分的平均絕對誤差（MAE）分別達到了1.35和2.28。特徵消融研究表明，年齡、體重指數（BMI）和APOE4基因型是關鍵的預測因子。該框架能夠重建不完整的患者病史，並預測未來的認知狀態，為資源受限環境下的阿爾茨海默病管理提供了強有力的工具。

該工作的意義在於，它打破了傳統方法對昂貴檢測手段的依賴，僅透過常規臨床資料（如年齡、體重、血液檢測和認知問卷）即可實現準確的疾病軌跡重建和預測。這對於醫療資源匱乏的地區尤為重要，因為這些地區往往無法頻繁進行MRI或PET掃描。GNOVA框架不僅提高了預測的準確性，還提供了不確定性區間，使臨床醫生能夠更好地評估預測的可信度。此外，該模型在插值和外推方面的能力，使其能夠彌補就診記錄中的缺失資料，併為患者提供個性化的疾病進展檢視。