Neuronal injury biomarkers and prognosis in ADNI subjects with normal cognition
Notice bibliographique
Résumé
INTRODUCTION: Based on previous studies, a preclinical classification for Alzheimer's disease (AD) has been proposed. However, 1) specificity of the different neuronal injury (NI) biomarkers has not been studied, 2) subjects with subtle cognitive impairment but normal NI biomarkers (SCINIB) have not been included in the analyses and 3) progression to mild cognitive impairment (MCI) or dementia of the AD type (DAT), referred to here as MCI/DAT, varies between studies. Therefore, we analyzed data from 486 cognitively normal (CN) and 327 DAT subjects in the AD Neuroimaging Initiative (ADNI)-1/GO/2 cohorts. RESULTS: In the ADNI-1 cohort (median follow-up of 6 years), 6.3% and 17.0% of the CN subjects developed MCI/DAT after 3 and 5 years follow-up, respectively. NI biomarker cutoffs [structural magnetic resonance imaging (MRI), fluorodeoxyglucose positron emission tomography (FDG-PET) and cerebrospinal fluid (CSF) tau] were established in DAT patients and memory composite scores were calculated in CN subjects in a cross-sectional sample (n = 160). In the complete longitudinally followed CN ADNI cohort (n = 326, median follow-up of 2 years), CSF and MRI values predicted an increased conversion to MCI/DAT. Different NI biomarkers showed important disagreements for classifying subjects as abnormal NI [kappa = (-0.05)-(0.33)] and into AD preclinical groups. SCINIB subjects (5.0%) were more prevalent than AD preclinical stage 3 subjects (3.4%) and showed a trend for increased progression to MCI/DAT. CONCLUSIONS: Different NI biomarkers lead to different classifications of ADNI subjects, while structural MRI and CSF tau measures showed the strongest predictive value for progression to MCI/DAT. The newly defined SCINIB category of ADNI subjects is more prevalent than AD preclinical stage individuals.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».