Does genetic risk help to predict amyloid burden in a non-demented population? A Bayesian approach
Notice bibliographique
Résumé
Abstract INTRODUCTION In this study we investigate the association between A β levels in cerebrospinal fluid (CSF) and genetic risk in a non-demented population. This paper presents the first analysis to use a Bayesian methodology in this area. METHODS Data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) and the EDAR* and DESCRIPA** studies was used in a Bayesian logistic regression analysis. We modeled CSF A β burden using age, diagnosis (healthy control or mild cognitive impairment), APOE and a polygenic risk score (PGRS) associated with Alzheimer’s Disease (AD). We compared models built using informative priors on age, diagnosis and APOE with non-informative priors on all variables. RESULTS The use of informative priors did not improve model performance in the majority of cases. Models using only age, diagnosis and APOE genotype showed the best predictive ability. DISCUSSION A previous study indicated that a PGRS of AD case/control status was associated with CSF A β burden in healthy controls. The current study suggests that this association does not lead to models that are more predictive of amyloid positivity than already known factors such as age and APOE . *‘Beta amyloid oligomers in the early diagnosis of AD and as marker for treatment response’ **‘Development of screening guidelines and criteria for pre-dementia Alzheimers disease’
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 | 0,007 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,004 | 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 ».