Деменция является одним из самых страшных диагнозов со значимым клиническим и социально-экономическим влиянием, но без какого-либо эффективного лечения и профилактики. Большинство видов деменции поражают пожилых людей и обычно имеют прогрессивное течение с бессимптомными и продромальными стадиями. Методы оценки риска, которые могут быть использованы как в первичной медико-санитарной помощи, так и в специализированных учреждениях, могут быть полезны для выявления людей, подверженных риску развития деменции, и подходят для профилактических мероприятий, включая регистрацию в клинических испытаниях. Однако многие алгоритмы риска деменции трудно оценивать из-за наличия коморбидности, поэтому данные, предоставленные врачам, не могут дать точное прогнозирование. Учитывая старение населения и увеличение количества людей, страдающих деменцией, появляется острая необходимость в ранней диагностике и достоверном риске прогнозирования.
Исследование Licher и др. [1] описывает базовую и расширенную модель риска деменции при прогнозировании 10-летнего риска от всех причин деменции. Базовая модель риска включает данные, которые могут быть легко собраны в условиях первичной медико-санитарной помощи, а расширенная модель оценивает добавленный показатель генетического статуса APOE4, количественных характеристик МРТ-визуализации и когнитивных тестов для прогнозирования риска развития деменции от всех причин.
Результаты исследования показали, что добавление показателей APOE4 (как основного фактора риска для болезни Альцгеймера), количественных характеристик МРТ (включая показатели атрофии и нейрососудистых заболеваний) и когнитивные тесты значительно улучшили точность прогнозирования 10-летнего риска развития деменции. Авторы предположили, что более комплексные модели с соответствующими предикторными факторами могут улучшить выявление людей с высоким риском деменции. Эти знания могут быть использованы как для улучшения клинических испытаний, так и для принятия решений в клинической и частной практике. Таким образом, эти результаты и другие подобные им, демонстрируют ценность нейровизуализации для алгоритмов, которые смогут прогнозировать, насколько человек склонен к деменции. Однако остается много неточностей, которые ограничивают влияние и пользу подхода Licher и др.
Конечной точкой исследования была деменция. Деменция сама по себе является синдромом, скрывающим за собой многие причины. Добавочными прогностическими факторами стали генетический статус АРОЕ4, МРТ-оценка всего объема мозга, объема гиппокампа, объема ишемического повреждения белого вещества, а также результаты когнитивных тестов.
Фактор АРОЕ4 является риском отложения белка амилоида, что является показателем болезни Альцгеймера – наиболее распространенной причиной деменции. МРТ используется для визуализации и количественной оценки атрофии мозга и других морфологических характеристик нейродегенерации. Также этот метод подходит для выявления одной из возможных причин деменции – цереброваскулярной болезни. Однако патогномоничных МРТ-признаков для многих болезней (болезнь Альцгеймера, деменция с тельцами Леви, болезнь Пика, лобно-височная дегенерация, лимбическая предоминантная возрастно-зависимая TDP-43 энцефалопатия) не существует. Наконец, когнитивные показатели в предшествующий момент времени могут быть высоко прогнозируемыми для будущих когнитивных результатов, включая деменцию, но, как и для МРТ, им не хватает специфичности для различной этиологии слабоумия, хотя паттерны нейропсихологических показателей могут помочь в определенных ситуациях.
Сейчас область изучения слабоумия требует внедрения специфичных биомаркерных методов, таких как позитронно-эмиссионная томография (ПЭТ). Например, специфическая визуализация и жидкостные биомаркеры амилоида и тау-протеина как признаки, определяющие болезнь Альцгеймера. Данные методы стали доступными в контексте исследований [2-4], и их внедрение в популяционных выборках повысило точность прогнозирования [5-9] в целях раннего выявления со определенными типами заболеваний. Исследование ATN (амилоид, тау и нейродегенерация) по болезни Альцгеймера [10] четко обосновывает пользу подхода биомаркеров, улучшающего достоверность и точность исследования заболевания. Это крайне необходимо, так как клинический диагноз болезни Альцгеймера может быть ошибочным в 17-25% случаев даже у специалистов по деменции [11,12]. Пока визуализация и жидкостные биомаркеры активно продвигаются в диагностике болезни Альцгеймера, для других основных причин деменции таких методов не существует, однако они также необходимы.
Licher и др. признают прагматическую необходимость предикторных биомаркеров в клинические реалиях. Сложная молекулярная ПЭТ-визуализация, генетические тесты и когнитивная оценка пока невозможны вне специализированных учреждений. Анализы крови [2] для одного или более нейродегенеративных заболевании возможны в ближайшем будущем, однако для этого еще многое предстоит сделать [13-15]. Хотя и надежный прогноз риска развития деменции потенциально может выявить бессимптомных лиц для регистрации в клинических испытаниях, его польза ограничена, так как большинство исследований сосредоточены на лицах с конкретным нейродегенеративным заболеванием, а не с синдромом деменции.
Исследование Licher продемонстрировало, что деменция может быть прогнозируемой в течение 10 лет до её трансформации при использовании количественной оценки МРТ, генетического теста и когнитивной оценки. При внедрении эффективной профилактики и терапии потребуется нацеленное изучение специфических механизмов заболевания, специфических биомаркеров и прогностических алгоритмов для выявления людей с определенным риском тяжелых форм деменции.
Пока не появится более точных подходов, исследования Licher и др. будут способствовать увеличению интереса населения к факторам, снижающим риски возникновения деменции. Данные подходы будут полезны для понимания основных предикторов слабоумия и его профилактики в виде упражнений, диеты и умственной стимулирующей активности.
Автор перевода: Лейбовиц В.
Литература:
1 Licher S, Leening MJG, Yilmaz P, et al.: Development and validation of a dementia risk prediction model in the general population: an analysis of three longitudinal studies. Am J Psychiatry 2019; 176:543–551Abstract, Google Scholar
2 Nakamura A, Kaneko N, Villemagne VL, et al.: High performance plasma amyloid-β biomarkers for Alzheimer’s disease. Nature 2018; 554:249–254Crossref, Medline, Google Scholar
3 Su Y, Flores S, Wang G, et al.: Comparison of Pittsburgh compound B and florbetapir in cross-sectional and longitudinal studies. Alzheimers Dement (Amst) 2019; 11:180–190Medline, Google Scholar
4 Betthauser TJ, Cody KA, Zammit MD, et al.: In vivo characterization and quantification of neurofibrillary tau PET radioligand 18F-MK-6240 in humans from Alzheimer disease dementia to young controls. J Nucl Med 2019; 60:93–99Crossref, Medline, Google Scholar
5 Clark LR, Berman SE, Norton D, et al.: Age-accelerated cognitive decline in asymptomatic adults with CSF β-amyloid. Neurology 2018; 90:e1306–e1315Crossref, Medline, Google Scholar
6 Aschenbrenner AJ, Gordon BA, Benzinger TLS, et al.: Influence of tau PET, amyloid PET, and hippocampal volume on cognition in Alzheimer disease. Neurology 2018; 91:e859–e866Crossref, Medline, Google Scholar
7 Knopman DS, Lundt ES, Therneau TM, et al.: Entorhinal cortex tau, amyloid-β, cortical thickness, and memory performance in non-demented subjects. Brain 2019; 142:1148–1160Crossref, Medline, Google Scholar
8 Sperling RA, Mormino EC, Schultz AP, et al.: The impact of amyloid-beta and tau on prospective cognitive decline in older individuals. Ann Neurol 2019; 85:181–193Medline, Google Scholar
9 Donohue MC, Sperling RA, Petersen R, et al.: Association between elevated brain amyloid and subsequent cognitive decline among cognitively normal persons. JAMA 2017; 317:2305–2316Crossref, Medline, Google Scholar
10 Jack CR Jr, Bennett DA, Blennow K, et al.: NIA-AA Research Framework: toward a biological definition of Alzheimer’s disease. Alzheimers Dement 2018; 14:535–562Crossref, Medline, Google Scholar
11 Beach TG, Monsell SE, Phillips LE, et al.: Accuracy of the clinical diagnosis of Alzheimer disease at National Institute on Aging Alzheimer Disease Centers, 2005–2010. J Neuropathol Exp Neurol 2012; 71:266–273Crossref, Medline, Google Scholar
12 Rabinovici GD, Gatsonis C, Apgar C, et al.: Association of amyloid positron emission tomography with subsequent change in clinical management among Medicare beneficiaries with mild cognitive impairment or dementia. JAMA 2019; 321:1286–1294Crossref, Medline, Google Scholar
13 Hansson O, Mikulskis A, Fagan AM, et al.: The impact of preanalytical variables on measuring cerebrospinal fluid biomarkers for Alzheimer’s disease diagnosis: a review. Alzheimers Dement 2018; 14:1313–1333Crossref, Medline, Google Scholar
14 Hansson O, Seibyl J, Stomrud E, et al.: CSF biomarkers of Alzheimer’s disease concord with amyloid-beta PET and predict clinical progression: a study of fully automated immunoassays in BioFINDER and ADNI cohorts. Alzheimers Dement 2018; 14:1470–1481Crossref, Medline, Google Scholar
15 Molinuevo JL, Ayton S, Batrla R, et al.: Current state of Alzheimer’s fluid biomarkers. Acta Neuropathol 2018; 136:821–853Crossref, Medline, Google Scholar