Bioprofile Analysis: A New Approach for the Analysis of Biomedical Data in Alzheimer's Disease
Notice bibliographique
Résumé
This article presents a new approach for the analysis of biomedical data to support the management and care of patients with Alzheimer's disease (AD). The increase in prevalence of neurodegenerative disorders such as AD has led to a need for objective means to assist clinicians with the analysis and interpretation of complex biomedical data. To this end, we propose a "Bioprofile" analysis to reveal the pattern of disease in the subject's biodata. From the Bioprofile, personal "Bioindices" that indicate how closely a subject's data resemble the pattern of AD can be derived. We used an unsupervised technique (k-means) to cluster variables of the ADNI database so that subjects are divisible into those with the Bioprofile of AD and those without it. Results revealed that there is an "AD pattern" in the biodata of most AD and mild cognitive impairment (MCI) patients and some controls. This pattern agrees with a recent hypothetical model of AD evolution. We also assessed how the Bioindices changed with time and we found that the Bioprofile was associated with the risk of progressing from MCI to AD. Hence, the Bioprofile analysis is a promising methodology that may potentially provide a complementary new way of interpreting biomedical data. Furthermore, the concept of the Bioprofile could be extended to other neurodegenerative diseases.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,011 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».