Studying individuals with extreme phenotypes could facilitate the understanding of disease modification by genetic or environmental factors. Our aim was to identify Huntington's disease (HD) patients with extreme symbol digit modality test (SDMT) scores. We first examined in HD the contribution of cognitive measures of the Unified Huntington's Disease Rating Scale (UHDRS) in predicting clinical endpoints. The language-independent SDMT was used to identify patients performing very well or very poorly relative to their CAG and age cohort. We used data from REGISTRY and COHORT observational study participants (5,603 HD participants with CAG repeats above 39 with 13,868 visits) and of 1,006 healthy volunteers (with 2,241 visits), included to identify natural aging and education effects on cognitive measures. Separate Cox proportional hazards models with CAG, age at study entry, education, sex, UHDRS total motor score and cognitive (SDMT, verbal fluency, Stroop tests) scores as covariates were used to predict clinical endpoints. Quantile regression for longitudinal language-independent SDMT data was used for boundary (2.5% and 97.5% quantiles) estimation and extreme score analyses stratified by age, education, and CAG repeat length. Ten percent of HD participants had an extreme SDMT phenotype for at least one visit. In contrast, only about 3% of participants were consistent SDMT extremes at two or more visits. The thresholds for the one-visit and two-visit extremes can be used to classify existing and new individuals. The identification of these phenotype extremes can be useful in the search for disease modifiers.

中文翻译：

---

亨廷顿舞蹈病中符号数字模态测试得​​分极限的识别。

研究具有极端表型的个体可以促进对遗传或环境因素对疾病修饰的理解。我们的目的是通过极端符号数字模态测试（SDMT）评分来鉴定亨廷顿舞蹈病（HD）患者。我们首先在高清中检查了统一亨廷顿舞蹈病评分量表（UHDRS）的认知指标在预测临床终点中的作用。与语言无关的SDMT用于识别相对于其CAG和年龄组表现很好或非常差的患者。我们使用了来自REGISTRY和COHORT观察性研究参与者（5,603名CAG重复次数超过39的HD参与者，进行了13,868次访问）和1,006名健康志愿者（进行了2,241次访问）的数据，以确定自然衰老和教育对认知测量的影响。使用Cog，研究入组年龄，受教育年龄，性别，UHDRS总运动评分和认知（SDMT，口语流利程度，Stroop测试）评分为独立变量的Cox比例风险模型作为协变量来预测临床终点。纵向独立于语言的SDMT数据的分位数回归用于边界（2.5％和97.5％的分位数）估计和按年龄，教育程度和CAG重复长度分层的极端得分分析。10％的HD参与者至少一次来访时具有极端SDMT表型。相比之下，只有3％的参与者在两次或两次以上的访问中达到了一致的SDMT极限值。一次访问和两次访问极限的阈值可用于对现有和新个人进行分类。这些极端表型的识别可用于寻找疾病修饰因子。教育，性别，UHDRS总运动评分和认知（SDMT，口语流利程度，Stroop测试）评分作为协变量用于预测临床终点。纵向独立于语言的SDMT数据的分位数回归用于边界（2.5％和97.5％的分位数）估计和按年龄，教育程度和CAG重复长度分层的极端得分分析。10％的HD参与者至少一次来访时具有极端SDMT表型。相比之下，只有3％的参与者在两次或两次以上的访问中达到了一致的SDMT极限值。一次访问和两次访问极限的阈值可用于对现有和新个人进行分类。这些极端表型的识别可用于寻找疾病修饰因子。教育，性别，UHDRS总运动评分和认知（SDMT，口语流利程度，Stroop测试）评分作为协变量用于预测临床终点。纵向独立于语言的SDMT数据的分位数回归用于边界（2.5％和97.5％的分位数）估计和按年龄，教育程度和CAG重复长度分层的极端得分分析。10％的HD参与者至少一次来访时具有极端SDMT表型。相反，只有大约3％的参与者在两次或两次以上的访问中达到了一致的SDMT极限值。一次访问和两次访问极限的阈值可用于对现有和新个人进行分类。这些极端表型的识别可用于寻找疾病修饰因子。Stroop测试）得分作为协变量用于预测临床终点。纵向独立于语言的SDMT数据的分位数回归用于边界（2.5％和97.5％的分位数）估计和按年龄，教育程度和CAG重复长度分层的极端得分分析。10％的HD参与者至少一次来访时具有极端SDMT表型。相比之下，只有3％的参与者在两次或两次以上的访问中达到了一致的SDMT极限值。一次访问和两次访问极限的阈值可用于对现有和新个人进行分类。这些极端表型的识别可用于寻找疾病修饰因子。Stroop测试）得分作为协变量用于预测临床终点。纵向独立于语言的SDMT数据的分位数回归用于边界（2.5％和97.5％的分位数）估计和按年龄，教育程度和CAG重复长度分层的极端得分分析。10％的HD参与者至少一次来访时具有极端SDMT表型。相比之下，只有3％的参与者在两次或两次以上的访问中达到了一致的SDMT极限值。一次访问和两次访问极限的阈值可用于对现有和新个人进行分类。这些极端表型的识别可用于寻找疾病修饰因子。按年龄，学历和CAG重复长度进行分层的5％分位数）估计和极端得分分析。10％的HD参与者至少一次来访时具有极端SDMT表型。相比之下，只有3％的参与者在两次或两次以上的访问中达到了一致的SDMT极限值。一次访问和两次访问极限的阈值可用于对现有和新个人进行分类。这些极端表型的识别可用于寻找疾病修饰因子。按年龄，学历和CAG重复长度进行分层的5％分位数）估计和极端得分分析。10％的HD参与者至少一次来访时具有极端SDMT表型。相比之下，只有3％的参与者在两次或两次以上的访问中达到了一致的SDMT极限值。一次访问和两次访问极限的阈值可用于对现有和新个人进行分类。这些极端表型的识别可用于寻找疾病修饰因子。