[P4–495]: NEUROIMAGING BIOMARKERS MODERATE THE ASSOCIATION BETWEEN DEMOGRAPHIC RISK AND DEMENTIA RATING SCALE ACROSS NEURODEGENERATIVE DISEASES: THE SUNNYBROOK DEMENTIA STUDY
Notice bibliographique
Résumé
A large spectrum of pathologies in the aging brain in combination with cardiovascular risk have led to an increased prevalence and diagnosis of mixed neurodegenerative diseases in late life. Risk Scores(RS) to quantitatively differentiate neurodegenerative patients and at risk adults for cognitive impairment presents an alternative risk assessment tool for individually tailored intervention programs and/or preventive measures. Previous studies have proposed risk scores to predict dementia incidence and cognitive decline using multiple domains. The goal of this study was to test a novel multimodal, integrative method to examine the synergistic influence of established demographic risk factors and neuroimaging biomarkers to predict Dementia Rating Scale (DRS) performance and change across neurodegenerative diseases. We employed a longitudinal design using patients and controls (N=833; range=38–90 years; Mage=70.47 years) from the Sunnybrook Dementia Study. The recruited patients represented Alzheimer's disease, Mild Cognitive Impairment, Vascular Cognitive Impairment, Parkinson's/Lewy body diseases, Frontotemporal lobar degeneration, and mixed neurodegenerative diagnoses. We tested (1)whether neuroimaging biomarkers (ventricular volume, white matter hyperintensity(WMH), lacunes) and demographic RS (age[0≤70years(mean),1>70years]+ sex[0=male,1=female]+ education[0>14years(mean),1≤14years]) predicted DRS performance at baseline and longitudinal change, and (2)whether neuroimaging biomarkers mediate or moderate the effect of demographic RS on the DRS. We used latent growth modeling to determine how DRS performance changed (random intercept and random slope model) and path analysis. First, higher ventricular volume predicted poorer baseline DRS performance(β=-2.77, SE=0.27, p<.001) and steeper decline(β=-1.07, SE=0.22, p<.001). Second, higher WMH(β=-1.37, SE=0.56, p=.014) and lacunes(β=-32.00, SE=14.61, p=.028) predicted poorer DRS baseline performance. Third, higher demographic RS predicted poorer DRS baseline performance(β=-1.46, SE=0.65, p=.024) and less decline(β=0.99, SE=0.48, p=.038). Fourth, neuroimaging biomarkers moderated the association between demographic RS and DRS performance. Specifically, higher demographic RS predicted poorer DRS performance in those with low ventricular volume(β=-1.81, SE=0.74, p=.015), WMH(β=-2.22, SE=0.79, p=.005), and lacunes(β=-1.66, SE=0.74, p=.025). Higher demographic RS predicted less DRS decline for those with low ventricular volume(β=1.13, SE=0.53, p=.034) and high WMH(β=1.71, SE=0.71, p=.016). Neuroimaging biomarkers may moderate the association between demographic risk and DRS performance and change. Innovative methodological approaches may aid in identifying potential complex and dynamic mechanisms underlying multifaceted clinical phenotypes across neurodegenerative diseases.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».