Prediction of Conversion to Alzheimer’s Disease with Longitudinal Measures and Time-To-Event Data
Notice bibliographique
Résumé
BACKGROUND: Identifying predictors of conversion to Alzheimer's disease (AD) is critically important for AD prevention and targeted treatment. OBJECTIVE: To compare various clinical and biomarker trajectories for tracking progression and predicting conversion from amnestic mild cognitive impairment to probable AD. METHODS: Participants were from the ADNI-1 study. We assessed the ability of 33 longitudinal biomarkers to predict time to AD conversion, accounting for demographic and genetic factors. We used joint modelling of longitudinal and survival data to examine the association between changes of measures and disease progression. We also employed time-dependent receiver operating characteristic method to assess the discriminating capability of the measures. RESULTS: 23 of 33 longitudinal clinical and imaging measures are significant predictors of AD conversion beyond demographic and genetic factors. The strong phenotypic and biological predictors are in the cognitive domain (ADAS-Cog; RAVLT), functional domain (FAQ), and neuroimaging domain (middle temporal gyrus and hippocampal volume). The strongest predictor is ADAS-Cog 13 with an increase of one SD in ADAS-Cog 13 increased the risk of AD conversion by 2.92 times. CONCLUSION: Prediction of AD conversion can be improved by incorporating longitudinal change information, in addition to baseline characteristics. Cognitive measures are consistently significant and generally stronger predictors than imaging measures.
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 | 0,001 | 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 | 0,001 |
| 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 ».