Нейропсихологические и морфометрические биомаркеры неблагоприятного прогноза у пациентов с умеренными когнитивными нарушениями

Резюме. Несмотря на широкую распространенность умеренных когнитивных нарушений (УКН), на сегодняшний день отсутствуют общепризнанные алгоритмы дифференциации синдрома и оценки прогноза дальнейшего когнитивного снижения.

Цель исследования. Выявление биомаркеров неблагоприятного прогноза при различных типах УКН за счет оптимизации нейропсихологического обследования в комплексе с МРТ-морфометрией структур головного мозга.

Материал и методы. Обследовано 45 пациентов (9 мужчин, 36 женщин, средний возраст 72 ± 6,7 года) с УКН согласно модифицированным критериям Петерсена и DSM-5. Всем больным проведены углубленное нейропсихологическое тестирование (УНТ), включавшее шкалу MMSE, тест 10 слов (ТДС), двойной тест (ДТ), корректурную пробу, а также высокопольная магнитно-резонансная томография (МРТ) головного мозга с морфометрией церебральных структур (FreeSurfer, FSL).

Результаты. По MMSE УКН выявлены у 26 (58%) пациентов. В ходе УНТ в зависимости от состояния памяти у 14 участников исследования диагностирован неамнестический (НА) тип УКН, у 15 — амнестический вариант с нарушенным воспроизведением (АВ), у 16 человек — амнестический тип с дефектом первичного запоминания (АЗ). Изменения объема переднего отдела мозолистого тела (ПОМТ) были значимо связаны с показателями непосредственного воспроизведения после 4-го прочтения и отсроченного воспроизведения в общей группе УКН (rho = 0,58; 0,58; p < 0,05) и группе УКН АЗ-типа (rho = 0,6; 0,56; р < 0,05). Тест Краскела–Уоллиса выявил значимые межгрупповые различия в объемах ПОМТ, правого хвостатого ядра, коры левой гемисферы мозжечка, заднего отдела мозолистого тела и левого таламуса. При этом первые три структуры объединены в комплекс информативных признаков для дифференциации типа УКН по результатам дискриминантного анализа с пошаговым включением переменных с достижением 77,3% правильности классификации (Wilks’s Lambda: 0,35962; прибл. F (6,78) = 8,678, p < 0,001). В ходе ROC-анализа установлены пороговые значения объемов ПОМТ ≤ 0,05% и правого хвостатого ядра ≤ 0,23%, ассоциированные с дефектом запоминания у лиц с УКН при 81,25% чувствительности в обоих случаях, 62,1% и 60,7% специфичности (площадь под ROC-кривой 0,787 и 0,767; 95% ДИ 0,639–0,865 и 0,615–0,881; ОШ 7,1 и 6,7 (95% ДИ 1,6–30,6 и 1,6–29) соответственно. При включении в логит-модель обеих церебральных структур достигается в 88,6% правильность классификации, 92,6% чувствительность, 82,4% специфичность метода.

Заключение. Показано, что разделение пациентов с УКН на группы в зависимости от состояния памяти по результатам УНТ, дополненное результатами МРТ-морфометрии церебральных структур, может стать чувствительным и специфичным инструментом для определения категории пациентов с высоким риском БА. Нейропсихологический профиль с дефектом запоминания, атрофические изменения ПОМТ и правого хвостатого ядра предложены в качестве биомаркеров неблагоприятного прогноза. Дальнейшие динамические исследования позволят уточнить информативность предложенных биомаркеров неблагоприятного прогноза, а также детализировать закономерности развития нейродегенеративного процесса.

1. Емелин А.Ю. Возможности диагностики и лечения когнитивных нарушений на недементных стадиях. Неврология, нейропсихиатрия, психосоматика. 2020;12(5):78–83.. https:// doi.org/10.14412/2074-2711-2020-5-78-83

2. Petersen R.C., Lopez O., Armstrong M.J., Getchius T.S.D., Ganguli M., Gloss D. et al. Practice guideline update summary: Mild cognitive impairment: Report of the Guideline Development, Dissemination, and Implementation Subcommittee of the American Academy of Neurology. Neurology. 201816;90(3):126–135. https://doi.org/10.1212/WNL.0000000000004826

3. Захаров В.В., Вознесенская Т.Г. Нервно-психические нарушения: диагностические тесты. М.: МЕДпресс-информ, 2018:320 с.

4. Левин О.С. Преддементные нейрокогнитивные нарушения у пожилых. Журнал неврологии и психиатрии им. С.С. Корсакова. Спецвыпуски. 2019;119(9–2):10–17. https://doi.org/10.17116/ jnevro201911909210

5. Литвиненко И.В., Красаков И.В., Бисага Г.Н., Скулябин Д.И., Полтавский И.Д. Современная концепция патогенеза нейродегенеративных заболеваний и стратегия терапии. Журнал неврологии и психиатрии им. С.С. Корсакова. Спецвыпуски. 2017;117(6–2):3–10. https://doi.org/10.17116/ jnevro2017117623-10

6. Petersen R.C. Mild Cognitive Impairment. Continuum (Minneap Minn). 2016;22(2 Dementia):404–18. https://doi.org/10.1212/ CON.0000000000000313

7. Petersen R.C. Mild cognitive impairment as a diagnostic entity. J Intern Med. 2004;256(3):183–94. https://doi.org/10.1111/ j.1365-2796.2004.01388.x

8. American Psychiatric Association. Diagnostic and statistical manual of mental disorders, fi fth edition. Washington, DC: American Psychiatric Publishing, 2013.

9. Мучник Л.С, Смирнов В.М. «Двойной» тест для исследования кратковременной памяти. Психологический эксперимент в неврологической и психиатрической клинике. Сборник научных трудов НИПНИ им. В.М. Бехтерева. 1969;46:283–294.

10. Лурия А.Р. Альманах психологических тестов. М., 1995:92–

11. Генкин А.А., Медведев В.И., Шек М.П. Некоторые принципы построения корректурных таблиц для определения скорости переработки информации. Вопросы психологии. 1963;1:104–107.

12. Магонов Е.П, Прахова Л.Н, Ильвес А.Г, Катаева Г.В, Трофимова Т.Н. Автоматическая сегментация МРТ-изображений головного мозга: методы и программное обеспечение. ВИЧ-инфекция и иммуносупрессии. 2014;6(3):73–77. https://doi. org/10.22328/2077-9828-2014-6-3-73-77

13. Гуторова Д.А, Васенина Е.Е, Левин О.С. Скрининг когнитивных нарушений у лиц пожилого и старческого возраста с помощью шкалы 3-КТ. Журнал неврологии и психиатрии им. С.С. Корсакова. Спецвыпуски. 2016;116(6–2):35–40. https://doi.org/10.17116/ jnevro20161166235-40

14. Belleville S., Fouquet C., Hudon C., Zomahoun H.T.V., Croteau J.; Consortium for the Early Identifi cation of Alzheimer’s disease-Quebec. Neuropsychological Measures that Predict Progression from Mild Cognitive Impairment to Alzheimer’s type dementia in Older Adults: a Systematic Review and Meta- Analysis. Neuropsychol Rev. 2017;27(4):328–353. https://doi. org/10.1007/s11065-017-9361-5

15. Radanovic M., Pereira F.R., Stella F., Aprahamian I., Ferreira L.K., Forlenza O.V., Busatto G.F. White matter abnormalities associated with Alzheimer’s disease and mild cognitive impairment: a critical review of MRI studies. Expert Rev Neurother. 2013;13(5):483–93. https://doi.org/10.1586/ern.13.45 PMID: 23621306

16. Pirttilä T., Järvenpää R., Laippala P., Frey H. Brain atrophy on computerized axial tomography scans: interaction of age, diabetes and general morbidity. Gerontology. 1992;38(5):285–91. https://doi.org/10.1159/000213342

17. Mito R., Raff elt D., Dhollander T., Vaughan D.N., Tournier J.D., Salvado O. et al. Fibre-specifi c white matter reductions in Alzheimer’s disease and mild cognitive impairment. Brain. 2018;141(3):888–902. https://doi.org/10.1093/brain/ awx355

18. Mak E., Gabel S., Mirette H., Su L., Williams G.B., Waldman A., et al. Structural neuroimaging in preclinical dementia: From microstructural defi cits and grey matter atrophy to macroscale connectomic changes. Ageing Res Rev. 2017;35:250–264. https:// doi.org/10.1016/j.arr.2016.10.001

19. Elahi S., Bachman A.H., Lee S.H., Sidtis J.J., Ardekani B.A.; Alzheimer’s Disease Neuroimaging Initiative. Corpus callosum atrophy rate in mild cognitive impairment and prodromal Alzheimer’s disease. J Alzheimers Dis. 2015;45(3):921–31. https:// doi.org/10.3233/JAD-142631

20. Wang X.D., Ren M., Zhu M.W., Gao W.P., Zhang J., Shen H. et al. Corpus callosum atrophy associated with the degree of cognitive decline in patients with Alzheimer’s dementia or mild cognitive impairment: a meta-analysis of the region of interest structural imaging studies. J Psychiatr Res. 2015;63:10–9. https://doi. org/10.1016/j.jpsychires.2015.02.005

21. Mangalore S., Mukku S.S.R., Vankayalapati S., Sivakumar P.T., Varghese M. Shape Profi le of Corpus Callosum As a Signature to Phenotype Diff erent Dementia. J Neurosci Rural Pract. 2021;12(1):185–192. https://doi.org/10.1055/s-0040-1716805

22. Aboitiz F., Scheibel A.B., Fisher R.S., Zaidel E. Fiber composition of the human corpus callosum. Brain Res. 1992;598(1– 2):143–53. https://doi.org/10.1016/0006-8993(92)90178-c

23. Cover G.S., Herrera W.G., Bento M.P., Appenzeller S., Rittner L. Computational methods for corpus callosum segmentation on MRI: A systematic literature review. Comput Methods Programs Biomed. 2018;154:25–35. https://doi.org/10.1016/j. cmpb.2017.10.025

24. Tuokkola T., Karrasch M., Koikkalainen J., Parkkola R., Lötjönen J., Löyttyniemi E. et al. Association between Deep Gray Matter Changes and Neurocognitive Function in Mild Cognitive Impairment and Alzheimer’s Disease: A TensorBased Morphometric MRI Study. Dement Geriatr Cogn Disord. 2019;48(1–2):68–78. https://doi.org/10.1159/000502476

25. Cho H., Kim J.H., Kim C., Ye B.S., Kim H.J., Yoon C.W. et al. Shape changes of the basal ganglia and thalamus in Alzheimer’s disease: a three-year longitudinal study. J Alzheimers Dis. 2014;40(2):285–95. https://doi.org/10.3233/JAD-132072

26. de Oliveira M.S., Balthazar M.L., D’Abreu A., Yasuda C.L., Damasceno B.P., Cendes F., Castellano G. MR imaging texture analysis of the corpus callosum and thalamus in amnestic mild cognitive impairment and mild Alzheimer disease. AJNR Am J Neuroradiol. 2011;32(1):60–6. https://doi.org/10.3174/ajnr. A2232

27. de Flores R., La Joie R., Chételat G. Structural imaging of hippocampal subfi elds in healthy aging and Alzheimer’s disease. Neuroscience. 2015;19(309):29–50. https://doi.org/10.1016/j. neuroscience.2015.08.033