Prognostic Risk Profiles for Dementia: A Machine Learning Approach (P1.091)
Notice bibliographique
Résumé
Objective: To use a data-driven, machine learning approach to develop better predictive algorithms for outcomes in dementia before and after diagnosis, while also highlighting potentially under-appreciated variables in pathogenesis. Background: Dementia encompasses a broad set of neurological diseases producing progressive declines in memory and/or thinking faculties, sometimes alongside personality and emotional disturbances. Worldwide, approximately 35.6 million people have dementia, and this number is only expected to grow due to an aging population. Unfortunately, it is exceedingly difficult to predict who will develop dementia, let alone what type. This makes it difficult to mobilize various preventative strategies supported by mounting evidence. Methods: We analyzed the National Alzheimer's Coordinating Center Database (NACCD), containing 7, 298 patients. This dataset included demographic, genetic, and intermediate clinical information. We used executive function, memory function, the Mini-Mental State Examination (MMSE), and Braak staging, all at death, as our primary outcome measures. First, feature selection techniques including principal component analysis, recursive feature selection, and extra trees classification were applied to the dataset. Next, 16 distinct machine learning classifiers were applied to the data in these four different forms (including one unmodified). Results: Age at diagnosis of cognitive decline, transient ischemic attack status, years of education, and stroke status were consistently identified as the most important independent variables. Best predictions were achieved for executive function, using unmodified data and a k nearest neighbors classifier, producing accurate predictions of executive function 71.57[percnt] of the time. At best, memory function could be accurately predicted 63.73[percnt] of the time, MMSE results 62.7[percnt] of the time, and Braak stage 32.58[percnt] of the time. Conclusions: These results suggest that vascular factors may play a greater role in dementia pathogenesis than currently thought. Furthermore, using this method we were able to achieve prediction accuracies that compare favorably with the existing literature.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».