Метод дифференциальной диагностики умеренных когнитивных расстройств различного генеза: кросс-секционное исследование

ВВЕДЕНИЕ: Дифференциальная диагностика умеренных когнитивных расстройств (УКР) в связи с их высокой распространенностью в популяции и быстрым ростом заболеваемости представляет собой актуальную задачу. Наиболее распространенными причинами, приводящими к развитию когнитивных нарушений, являются болезнь Альцгеймера (БА), цереброваскулярная патология и их сочетание. БА обычно проявляется амнестическим типом умеренных когнитивных расстройств (аУКР) на додементной стадии. Подкорковые сосудистые умеренные когнитивные расстройства (псУКР) рассматриваются как продромальная стадия подкорковой сосудистой деменции. По результатам патоморфологических исследований установлено, что субполя гиппокампальной формации избирательно уязвимы для БА, ишемии/гипоксии и старения.

В настоящее время с помощью программного обеспечения FreeSerfer 6.0 появилась возможность получать количественные показатели субполей гиппокампальной формации in vivo.

Современной тенденцией в медицине является развитие и внедрение новых диагностических решений на основе искусственного интеллекта и машинного обучения. Один из алгоритмов машинного обучения — бинарная логистическая регрессия, которую мы применили в ходе исследования для дифференциальной диагностики УКР различного генеза.

ЦЕЛЬ: Разработать метод дифференциальной диагностики умеренных когнитивных расстройств различного генеза.

МАТЕРИАЛЫ И МЕТОДЫ: В исследование включены пациенты с синдромом умеренных когнитивных расстройств, проходившие обследование в отделении гериатрической психиатрии ФГБУ «НМИЦ ПН им. В.М.Бехтерева», из числа которых сформированы две группы: 1-я группа — пациенты с аУКР, 2-я группа — пациенты с псУКР. Условно здоровые добровольцы, сопоставимые по возрасту, полу и уровню образования, составили 3-ю группу (контрольную). МР-исследование проведено на магнитно-резонансном томографе Excelart Vantage Atlas XGV (Toshiba, Япония) с напряженностью магнитного поля 1,5 Т с последующим выполнением МР-морфометрии субполей гиппокампальной формации.

Статистика: Статистический анализ проводился с использованием данных, которые конвертировались из базы в Microsoft Excel в статистический пакет IBM SPSS 21. Для разработки метода дифференциальной диагностики на основании полученных данных использовался метод бинарной регрессии и ROC-анализ.

РЕЗУЛЬТАТЫ: На основании полученных данных МР-морфометрии разработан метод с использованием уравнения бинарной логистической регрессии. В качестве порога принято значение 0,5: значение p≥0,5 позволяет отнести пациента к группе аУКР, а значение р<0,5 — к псУКР. Чувствительность метода составляет 90%, специфичность — 80%, точность — 85%.

ОБСУЖДЕНИЕ: С использованием бинарной логистической регрессии проведен отбор вариантов наборов переменных (количественных показателей), для которых построены ROC-кривые. Критерием отбора была выбрана площадь под ROCкривой — критерий AUC (Area Under the Curve). Наибольшая площадь под кривой (AUC=0,824) в дифференциальной диагностике аУКР от псУКР определялась для комбинации объема левого субикулюма и толщины правой энторинальной коры. Так как пациенты в группе аУКР имели значимо меньшее количество сосудистых очагов, чем в группе псУКР (p<0,05), на следующем этапе к выбранной комбинации двух переменных (объем левого субикулюма и толщина правой энторинальной коры) добавлена еще одна переменная — фракция объема гипоинтенсивных очагов. При проведении ROC-анализа с вариантом комбинации трех переменных отмечалось увеличение AUC до 0,892. Далее с использованием комбинации трех переменных и уравнения бинарной логистической регрессии разработан метод дифференциальной диагностики аУКР и псУКР.

ЗАКЛЮЧЕНИЕ: Метод дифференциальной диагностики, основанный на бинарной логистической регрессии с использованием данных МР-морфометрии, позволяет отличать пациентов с аУКР от пациентов с псУКР с высокой чувствительностью и специфичностью.

1. Petersen R.C., Lopez O, Armstrong M.J. et al. Practice guideline update summary: Mild cognitive impairment: Report of the Guideline Development, Dissemination, and Implementation Subcommittee o the American Academy of Neurology // Neurology. 2018. Vol. 90, No. 3. P. 126–135. doi: 10.1212/WNL.0000000000004826.

2. Боголепова А.Н., Васенина Е.Е., Гомзякова Н.А. и др. Клинические рекомендации «Когнитивные расстройства у пациентов пожилого и старческого возраста» // Журнал неврологии и психиатрии им. С.С. Корсакова. 2021. Т. 121, № 10–3. С. 6–137.

3. Незнанов Н.Г., Ананьева Н.И., Залуцкая Н.М., Андреев Е.В., Ахмерова Л.Р., Ежова Р.В., Саломатина Т.А., Стулов И.К. Нейровизуализация гиппокампа: роль в диагностике болезни Альцгеймера на ранней стадии // Обозрение психиатрии и медицинской психологии им. В.М.Бехтерева. 2018. № 4. С. 3–11. doi: 10.31363/2313-7053-20.

4. Стулов И.К., Ананьева Н.И., Лукина Л.В., Залуцкая Н.М. Роль МР-морфометрии субполей гиппокампа в диагностике умеренных когнитивных расстройств различного генеза // Российский нейрохирургический журнал им. профессора А.Л.Поленова. 2022. Т. 14, № 2. С. 153–159.

5. Firbank M.J., Barber R., Burton E.J. et al. Validation of a fully automated hippocampal segmentation method on patients with dementia // Human brain mapping. 2008. Vol. 29, No. 12. P. 1442–1449. doi: 10.1002/hbm.20480.

6. Van Staalduinen E.K., Zeineh M.M. Medial Temporal Lobe Anatomy // Neuroimaging Clinics. 2022. Vol. 32, No. 3. P. 475–489. doi: 10.1016/j.nic.2022.04.012.

7. Wu J., Shahid S.S., Lin Q. et al. Multimodal magnetic resonance imaging reveals distinct sensitivity of hippocampal subfields in asymptomatic stage of Alzheimer’s disease // Frontiers in aging neuroscience. 2022. Vol. 4. P. 1–15. doi: 10.3389/fnagi.2022.901140.

8. Tran T.T., Speck C.L., Gallagher M. et al. Lateral entorhinal cortex dysfunction in amnestic mild cognitive impairment // Neurobiology of aging. 2022. Vol. 112. P. 151–160. doi: 10.1016/j.neurobiolaging.2021.12.008.

9. Wong F.C.C., Yatawara С., Low А. et al. Cerebral small vessel disease influences hippocampal subfield atrophy in mild cognitive impairment // Translational Stroke Research. 2021. Vol. 12, No. 2. P. 284–292. doi: 10.1007/s12975-020-00847-4.

10. He M., Li Y., Zhou L. et al. Relationships Between Memory Impairments and Hippocampal Structure in Patients With Subcortical Ischemic Vascular Disease // Frontiers in Aging Neuroscience. 2022. Vol. 14. P. 1–12. doi: 10.3389/fnagi.2022.823535.

11. Pin G., Coupé P., Nadal L. et al. Distinct hippocampal subfields atrophy in older people with vascular brain injuries // Stroke. 2021. Vol. 52, No. 5. P. 1741–1750. doi: 10.1161/STROKEAHA.120.03174.

12. Popuri K., Ma D., Wang L. et al. Using machine learning to quantify structural MRI neurodegeneration patterns of Alzheimer’s disease into dementia score: Independent validation on 8,834 images from ADNI, AIBL, OASIS, and MIRIAD databases // Human Brain Mapping. 2020. Vol. 41, No. 14. P. 4127–4147. doi: 10.1002/hbm.25115.

13. Albert M.S., DeKosky S.T., 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 // Alzheimer’s & dementia. 2011. Vol. 7, No. 3. P. 270–279. doi: 10.1016/j.jalz.2011.03.008.

14. Tardif C.L., Devenyi G.A., Amaral R.S.C. et al. Regionally specific changes in the hippocampal circuitry accompany progression of cerebrospinal fluid biomarkers in preclinical Alzheimer’s disease // Human brain mapping. 2018. Vol. 39, No. 2. P. 971–984. doi: 10.1002/hbm.23897.

15. Izzo J., Andreassen O.A., Westlye L.T. et al. The association between hippocampal subfield volumes in mild cognitive impairment and conversion to Alzheimer’s disease // Brain Research. 2020. Vol. 1728. P. 146591. doi: 10.1016/j.brainres.2019.146591.

16. Kagerer S. M., Schroeder С., Van Bergen J.M.G. et al. Low Subicular Volume as an Indicator of Dementia-Risk Susceptibility in Old Age // Frontiers in aging neuroscience. 2022. Vol. 14. P. 811146. doi: 10.3389/fnagi.2022.811146.

17. Enkirch S. J., Traschütz А., Müller А. et al. The ERICA score: an MR imaging–based visual scoring system for the assessment of entorhinal cortex atrophy in Alzheimer disease // Radiology. 2018. Vol. 288, No. 1. P. 226–333. doi: 10.1148/radiol.2018171888.