P1–147: A quadratic, P‐spline, mixed model to predict cognitive decline in Alzheimer's disease
Notice bibliographique
Résumé
Deciphering the longitudinal trajectory of AD biomarkers would enhance our capacity for early diagnostic and prediction of disease progression. Our purpose was to study hippocampal volumes (HC) and FDG-PET metabolism trajectories based on either MMSE or ADAS-Cog scores as putative markers of clinical disease progression. Assuming the biomarker hypothesis proposed by Jack et al., we thus elicited to use a smoothing spline mixed effects model to predict the evolution of longitudinal biomarkers as a function of neuropsychological scores. We selected a total of 734 subjects who had at least two visits within a 36-month follow-up from ADNI: 167 probable AD patients, 136 MCI having progressed to probable AD within that timeframe (pMCI), 224 MCI subjects that remained clinically stable (sMCI), and 207 controls that remained clinically stable (sCRT). We extracted MMSE, ADAS-cog, HC volumes and FDG PET metabolism from the ADNI database. For modeling purposes we used the average of left and right HC volumes. We used a smoothing quadratic spline mixed effects model to describe and evaluate disease progression, from sCRT to sMCI, to pMCI and finally AD subjects. Cut-off points for each group, where the random effect was defined, were chosen as the mean MMSE and ADAS-Cog score per group. Baseline demographics information can be found in Table 1, with p -values obtained from F and Chi-square tests. We plotted individual profiles modified by the cut-off scores and the mean profile evolution of biomarkers versus MMSE and ADAS-cog for males and females in Figure 1.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».