Constructing longitudinal disease progression curves using sparse, short‐term individual data with an application to Alzheimer's disease
Notice bibliographique
Résumé
In epidemiology, cohort studies utilised to monitor and assess disease status and progression often result in short-term and sparse follow-up data. Thus, gaining an understanding of the full-term disease pathogenesis can be difficult, requiring shorter-term data from many individuals to be collated. We investigate and evaluate methods to construct and quantify the underlying long-term longitudinal trajectories for disease markers using short-term follow-up data, specifically applied to Alzheimer's disease. We generate individuals' follow-up data to investigate approaches to this problem adopting a four-step modelling approach that (i) determines individual slopes and anchor points for their short-term trajectory, (ii) fits polynomials to these slopes and anchor points, (iii) integrates the reciprocated polynomials and (iv) inverts the resulting curve providing an estimate of the underlying longitudinal trajectory. To alleviate the potential problem of roots of polynomials falling into the region over which we integrate, we propose the use of non-negative polynomials in Step 2. We demonstrate that our approach can construct underlying sigmoidal trajectories from individuals' sparse, short-term follow-up data. Furthermore, to determine an optimal methodology, we consider variations to our modelling approach including contrasting linear mixed effects regression to linear regression in Step 1 and investigating different orders of polynomials in Step 2. Cubic order polynomials provided more accurate results, and there were negligible differences between regression methodologies. We use bootstrap confidence intervals to quantify the variability in our estimates of the underlying longitudinal trajectory and apply these methods to data from the Alzheimer's Disease Neuroimaging Initiative to demonstrate their practical use. Copyright © 2017 John Wiley & Sons, Ltd.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».