Notice bibliographique
Résumé
Biomarkers, both biological and imaging, are indicators of specific changes that characterize Alzheimer's disease (AD) progression in vivo. Knowing the precise relationship between biomarkers and disease severity would allow for accurate disease staging and possible forecasting of decline. Jack et al. suggested as an initial hypothesis that this relationship be sigmoidal; the objective of this article is to determine, using large-scale population data from ADNI, the precise shape of this association. We considered six different models (linear; quadratic; robust quadratic; local quadratic regression; penalized B-spline; and sigmoid) and used the Akaike Information Criterion to gauge how well these models compare in conforming to the data. We included 576 subjects (229 controls, 193 AD, and 154 mild cognitive impairment subjects who converted to AD) from the ADNI study, for whom baseline data on cerebrospinal fluid amyloid-β (Aβ)42, phosphorylated tau (p-tau), and total-tau (t-tau), hippocampal volumes, and FDG-PET were available. Analysis of this cross-sectional dataset showed that a local quadratic regression model was 42% more likely than a sigmoid to be the best model for Aβ42. This ratio augments to 22% and 73% for Penalized B-Spline in the case of p-tau and t-tau, respectively; to 3500% for the linear model for FDG-PET; and to 6700% for the Penalized B-Spline for hippocampal volumes. Preliminary, cross-sectional evidence therefore indicates that the shape of the association with disease severity is non-linear and differs between biomarkers.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».