ترجمه فارسی مقاله خوشه بندی عمیق زمانی با هدایت دانش برای انواع فرعی بیماری آلزایمر در کارآزمایی های بالینی تکمیل شده

چکیده

Alzheimer’s disease (AD) is a multifaceted neurodegenerative disorder with varied patient progression. We aim to test the hypothesis that AD patients can be categorized into subgroups based on differences in progression. We leveraged data from three randomized clinical trials (RCTs) to develop a knowledge-guided, deep temporal clustering (KG-DTC) framework for AD subtyping. This model combined autoencoders for contextual information capture, k-means clustering for representation formation, and clinical outcome classification for clinical knowledge integration. The derived representations, encompassing demographics, APOE genotype, cognitive assessments, brain volumes, and biomarkers, were clustered using the Gaussian Mixture Model to identify AD subtypes. Our novel KG-DTC framework was developed using placebo data from 2,087 AD patients across three solanezumab clinical trials (EXPEDITION, EXPEDITION2, and EXPEDITION3), achieving high performance in outcome prediction and clustering. The KG-DTC model demonstrated superior clustering structures, especially when combined with k-means clustering loss. External validation with independent clinical trial data showed consistent clustering results, with a 0.33 silhouette score for three clusters. The model’s stability was confirmed through a leave-one-out approach, with an average adjusted Rand Index around 0.945. Three distinct AD subtypes were identified, each exhibiting unique patterns of cognitive function, neurodegeneration, and amyloid beta levels. Notably, Subtype 3 (S3) showed rapid cognitive decline across multiple clinical measures (e.g., 0.64 in S1 vs. −1.06 in S2 vs. 15.09 in S3 of average ADAS total change score, p<.001). This innovative approach offers promising insights for understanding variability in treatment outcomes and personalizing AD treatment strategies.

چکیده به فارسی (ترجمه ماشینی)

بیماری آلزایمر (AD) یک اختلال عصبی چند جانبه با پیشرفت بیمار متنوع است.هدف ما آزمایش این فرضیه است که بیماران AD را می توان بر اساس تفاوت در پیشرفت در زیر گروه ها طبقه بندی کرد.ما داده ها را از سه کارآزمایی بالینی تصادفی (RCT) برای تهیه یک چارچوب خوشه بندی زمانی عمیق و عمیق (KG-DTC) برای زیرگروه AD استفاده کردیم.این مدل برای ضبط اطلاعات متنی ، خوشه بندی k-means برای تشکیل نمایندگی و طبقه بندی نتیجه بالینی برای ادغام دانش بالینی ، ترکیب کننده های خود را ترکیبی می کند.بازنمودهای مشتق شده ، جمعیتی شامل ، ژنوتیپ APOE ، ارزیابی شناختی ، حجم مغز و نشانگرهای زیستی ، با استفاده از مدل مخلوط گاوسی برای شناسایی زیرگروه های AD خوشه بندی شدند.چارچوب رمان KG-DTC ما با استفاده از داده های دارونما از 2،087 بیمار مبتلا به AD در سه کارآزمایی بالینی Solanezumab (Expedition ، Expedition2 و Expedition3) تهیه شده و به عملکرد بالا در پیش بینی نتیجه و خوشه بندی رسیده است.مدل KG-DTC ساختارهای خوشه بندی برتر را نشان داد ، به خصوص هنگامی که با از دست دادن خوشه بندی K- معنی ترکیب می شود.اعتبار سنجی خارجی با داده های کارآزمایی بالینی مستقل نتایج خوشه بندی مداوم را نشان داد ، با نمره 0.33 سیلت برای سه خوشه.ثبات مدل از طریق یک رویکرد مرخصی یکپارچه تأیید شد ، با میانگین شاخص RAND تعدیل شده در حدود 0.945.سه زیرگروه AD مجزا مشخص شد که هر یک از الگوهای منحصر به فرد عملکرد شناختی ، تولید عصبی و سطح بتا آمیلوئید را نشان می دهند.نکته قابل توجه ، زیرگروه 3 (S3) کاهش شناختی سریع در اقدامات بالینی متعدد را نشان داد (به عنوان مثال ، 0.64 در S1 در مقابل -1.06 در S2 در مقابل 15.09 در S3 از میانگین نمره تغییر کل ADA ، P <0.001).این رویکرد نوآورانه بینش های امیدوارکننده ای را برای درک تنوع در نتایج درمانی و شخصی سازی استراتژی های درمانی AD ارائه می دهد. [sc name="papertranslation"][/sc]