Clinicopathological correlations in behavioural variant frontotemporal dementia
Notice bibliographique
Résumé
Accurately predicting the underlying neuropathological diagnosis in patients with behavioural variant frontotemporal dementia (bvFTD) poses a daunting challenge for clinicians but will be critical for the success of disease-modifying therapies. We sought to improve pathological prediction by exploring clinicopathological correlations in a large bvFTD cohort. Among 438 patients in whom bvFTD was either the top or an alternative possible clinical diagnosis, 117 had available autopsy data, including 98 with a primary pathological diagnosis of frontotemporal lobar degeneration (FTLD), 15 with Alzheimer's disease, and four with amyotrophic lateral sclerosis who lacked neurodegenerative disease-related pathology outside of the motor system. Patients with FTLD were distributed between FTLD-tau (34 patients: 10 corticobasal degeneration, nine progressive supranuclear palsy, eight Pick's disease, three frontotemporal dementia with parkinsonism associated with chromosome 17, three unclassifiable tauopathy, and one argyrophilic grain disease); FTLD-TDP (55 patients: nine type A including one with motor neuron disease, 27 type B including 21 with motor neuron disease, eight type C with right temporal lobe presentations, and 11 unclassifiable including eight with motor neuron disease), FTLD-FUS (eight patients), and one patient with FTLD-ubiquitin proteasome system positive inclusions (FTLD-UPS) that stained negatively for tau, TDP-43, and FUS. Alzheimer's disease was uncommon (6%) among patients whose only top diagnosis during follow-up was bvFTD. Seventy-nine per cent of FTLD-tau, 86% of FTLD-TDP, and 88% of FTLD-FUS met at least 'possible' bvFTD diagnostic criteria at first presentation. The frequency of the six core bvFTD diagnostic features was similar in FTLD-tau and FTLD-TDP, suggesting that these features alone cannot be used to separate patients by major molecular class. Voxel-based morphometry revealed that nearly all pathological subgroups and even individual patients share atrophy in anterior cingulate, frontoinsula, striatum, and amygdala, indicating that degeneration of these regions is intimately linked to the behavioural syndrome produced by these diverse aetiologies. In addition to these unifying features, symptom profiles also differed among pathological subtypes, suggesting distinct anatomical vulnerabilities and informing a clinician's prediction of pathological diagnosis. Data-driven classification into one of the 10 most common pathological diagnoses was most accurate (up to 60.2%) when using a combination of known predictive factors (genetic mutations, motor features, or striking atrophy patterns) and the results of a discriminant function analysis that incorporated clinical, neuroimaging, and neuropsychological data.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».