Potential effect of amyloid imaging on diagnosis and intended management of patients with cognitive decline: impact of appropriate use criterion
Notice bibliographique
Résumé
Background: Appropriate use criteria (AUC; Johnson et al, 2013) provide guidelines for selecting patients for whom amyloid PET could be useful. This study evaluated the impact of amyloid PET on diagnosis/management in patients likely to meet AUC. Methods: We examined 229 cases from a completed study of florbetapir amyloid PET (FBP-PET) in patients with a cognitive decline evaluation in whom Alzheimer’s Disease (AD) was suspected, but with <85% confidence in the diagnosis. All cases received a provisional diagnosis and management prior to FBP-PET. Information for 172 cases after 3-months’ follow-up was also available on actual diagnosis/management post-FBP-PET. Cases were classified as likely meeting AUC (AUC-like) or not. Results: 125/229(55%) subjects were AUC-like. NonAUC cases included typical AD, Mild Cognitive Impairment (MCI) due to AD, Cognitive Decline without objective evidence of impairment (CD) and dementia or cognitive impairment with specific nonAD diagnosis. 59/125(47%) AUC-like cases were amyloid positive (Aβ+). Among nonAUC cases, 29% (CD), 49%(MCI due to AD), 53%(non-AD) and 73%(typical AD) were Aβ+. Of 172 cases with follow-up information, diagnosis/management changed after FBP-PET in 58%/88% and 45%/77% of AUC-like and nonAUC, respectively. Conclusions: FBP-PET altered diagnosis/management in patients selected according to AUC. Additionally, AUC generally excluded patients with a relatively high (typical AD) or low (CD) probability of Aβ+ scan.
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 | 0,020 | 0,113 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».