Retrospective Forecasting and Long-Term Projection of Alzheimer’s Disease Spreading

技术摘要：阿尔茨海默病传播的回顾性预测与长期投影

问题陈述
非传染性疾病（NCDs），特别是阿尔茨海默病和痴呆症的传播预测面临着显著的方法论挑战，这源于其病因的多因素性质。与传染病不同，非传染性疾病是由遗传、行为、社会经济和环境等复杂且动态的相互作用驱动的。传统的预测方法通常依赖于量化这些特定的风险因素，或假设过程具有平稳性，但这两种方法在面对长期疾病动态的内在不确定性和非平稳性时都显得力不从心。此外，现有的模型往往侧重于波动的年度指标，这可能会掩盖稳定的长期趋势。作者认为，准确的预测对于战略性医疗规划、资源配置以及论证研究资金的必要性至关重要，然而目前的各种方法在不确定条件下往往无法提供可靠的十年期投影。

方法论
本文提出了一种基于带有随机参数的积分流入-流出模型（Integral Inflow-Outflow Model, IIOM）的新颖方法。该方法将分析重点从模拟单个风险因素或波动的年度病例数，转向模拟累积（积分）容量的流入（新病例）和流出（死亡）的动态。

该方法的核心组成部分包括：

1. 模型框架： 将疾病群体视为一个由平衡方程定义的“蓄水池”：$I(t) = X_{inf}(t, t_0) - X_{of}(t, t_0)$，其中 $I(t)$ 是活跃病例数，$X_{inf}$ 是累积流入，$X_{of}$ 是累积流出。
2. 随机速率： 模型利用这些累积容量的变化率（$r_{inf}$ 和 $r_{of}$）而非原始计数。
3. 趋势识别： 研究的一个核心发现是，虽然年度变化率具有波动性，但积分流入和流出的速率表现出单调递减的特性。这一特性使得构建线性趋势成为可能。
4. 预测机制：
   • 作者计算了历史窗口期内（例如10年）流入和流出百分比增长率的平均年减幅（$\alpha_{inf}$ 和 $\alpha_{of}$）。
   • 通过最小二乘法，利用幂函数对这些速率进行近似。
   • 使用公式 $\tilde{r}(\tau) = r(t) - k(t)(t - \tau)$ 对未来随机速率（$\tilde{r}_{inf}$ 和 $\tilde{r}_{of}$）的线性趋势进行外推，其中 $k(t)$ 是由历史数据导出的趋势系数。
   • 将这些外推后的速率代回离散的 IIOM 方程中，以生成10年期及长期投影。
5. 验证： 使用来自健康指标与评估研究所（IHME）1990–2021年期间的回顾性数据，通过平均绝对百分比误差（MAPE）对模型的准确性进行评估。

主要贡献
作者确定了其方法中的三个主要创新点：

1. 建模焦点的转变： 从波动的年度数字转向累积病例容量的随机动态，以揭示稳定的长期趋势。
2. 单调性的操作化： 识别并利用了积分流入和流出速率单调递减的特性，将其作为可预测的线性趋势进行预测。
3. 实用技术： 开发了一种基于外推这些线性趋势的特定预测技术，该技术已在本质上不同的非平稳过程（包括 COVID-19 和人口统计变化）上进行了测试，以确认其鲁棒性。

结果
研究呈现了两组主要结果：

• 回顾性10年预测： 以世界及各地区为样本生成了 2005 年、2010 年和 2015 年的预测。模型展示了极高的准确性。摘要指出，10年预测窗口的 MAPE 值处于 [0.23%; 2.73%] 区间，同时也提到特定 MAPE 值处于 [0.08%; 0.75%] 区间。各地区的特定 MAPE 值普遍较低，世界平均值分别为 2005 年预测的 0.43%、2010 年预测的 0.2% 以及 2015 年预测的 0.09%。结论进一步引用，回顾性预测的 MAPE 范围在 0.43% 到 1.79% 之间。
• 至2050年的长期投影： 利用该模型方法，作者预测全球阿尔茨海默病病例绝对数量将稳步上升。预计病例数将从 2022 年的 1.412 亿增加到 2050 年的 4.895 亿。
  • 老年人口（65岁以上）中的病例比例保持相对稳定（0.84–0.87），这表明人口老龄化是主要驱动因素，而非年龄特异性风险的变化。
  • 地区差异显著：西欧预计将面临最高的负担（6500 万病例），其次是高收入北美地区（4230 万）和东南亚（1630 万）。
  • 相比之下，热带拉丁美洲和东部撒哈拉以南非洲地区相对于其老年人口的病例比例较低（0.72–0.76），反映了不同的统计结构。
  • 模型证实了增长率的单调减速，年增长率从 2020 年代初的约 5% 下降到预测期末的 2.5%。

意义与主张
论文声称，积分随机流入-流出模型提供了一个实用且可靠的替代方案，优于那些需要精确评估众多难以量化的风险因素的复杂、数据密集型模型（如贝叶斯元回归或 CODEm）。通过承认非传染性疾病传播的非平稳性，并专注于累积速率的稳定趋势，该方法为不确定性下的决策提供了强大的工具。

作者总结道，这种方法为以下方面奠定了坚实基础：

• 战略性医疗资源规划。
• 论证预防和研究投资的合理性。
• 监测流行病学趋势。

该研究将 IIOM 定位为一种极具前景的长期公共卫生预测工具，旨在应对非传染性疾病日益严峻的挑战，同时并不声称解决了疾病底层的生物学机制问题。