Generalizability of the Disease State Index Prediction Model for Identifying Patients Progressing from Mild Cognitive Impairment to Alzheimer's Disease
Notice bibliographique
Résumé
BACKGROUND: The Disease State Index (DSI) prediction model measures the similarity of patient data to diagnosed stable and progressive mild cognitive impairment (MCI) cases to identify patients who are progressing to Alzheimer's disease. OBJECTIVES: We evaluated how well the DSI generalizes across four different cohorts: DESCRIPA, ADNI, AddNeuroMed, and the Kuopio MCI study. METHODS: The accuracy of the DSI in predicting progression was examined for each cohort separately using 10 × 10-fold cross-validation and for inter-cohort validation using each cohort as a test set for the model built from the other independent cohorts using bootstrapping with 10 repetitions. Altogether 875 subjects were included in the analysis. The analyzed data included a comprehensive set of age and gender corrected magnetic resonance imaging (MRI) features from hippocampal volumetry, multi-template tensor-based morphometry, and voxel-based morphometry as well as Mini-Mental State Examination (MMSE), APOE genotype, and additional cohort specific data from neuropsychological tests and cerebrospinal fluid measurements (CSF). RESULTS: The DSI model was used to classify the patients into stable and progressive MCI cases. AddNeuroMed had the highest classification results of the cohorts, while ADNI and Kuopio MCI exhibited the lowest values. The MRI features alone achieved a good classification performance for all cohorts. For ADNI and DESCRIPA, adding MMSE, APOE genotype, CSF, and neuropsychological data improved the results. CONCLUSIONS: The results reveal that the prediction performance of the combined cohort is close to the average of the individual cohorts. It is feasible to use different cohorts as training sets for the DSI, if they are sufficiently similar.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».