Combining Polygenic Hazard Score With Volumetric MRI and Cognitive Measures Improves Prediction of Progression From Mild Cognitive Impairment to Alzheimer's Disease
Notice bibliographique
Résumé
Improved prediction of progression to Alzheimer’s Disease (AD) among older individuals with mild cognitive impairment (MCI) is of high clinical and societal importance. We recently developed a polygenic hazard score (PHS) that predicted age of AD onset above and beyond APOE. Here, we used data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) to further explore the potential clinical utility of PHS for predicting AD development in older adults with MCI. We examined the predictive value of PHS alone and in combination with baseline structural magnetic resonance imaging (MRI) data on performance on the Mini-Mental State Exam (MMSE). In survival analyses, PHS significantly predicted time to progression from MCI to AD over 120 months (p=1.07e-5), and PHS was significantly more predictive than APOE alone (p=0.015). Combining PHS with baseline brain atrophy score and/or MMSE score significantly improved prediction compared to models without PHS (three-factor model p=4.28e-17). Prediction model accuracies, sensitivities and area under the curve were also improved by including PHS in the model, compared to only using atrophy score and MMSE. Further, using linear mixed-effect modeling, PHS improved the prediction of change in the Clinical Dementia Rating – Sum of Boxes (CDR-SB) score and MMSE over 36 months in patients with MCI at baseline, beyond both APOE and baseline levels of brain atrophy. These results illustrate the potential clinical utility of PHS for assessment of risk for AD progression among individuals with MCI both alone, or in conjunction with clinical measures of prodromal disease including measures of cognitive function and regional brain atrophy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».