Pathologies Underlying Longitudinal Cognitive Decline in the Oldest Old
Notice bibliographique
Résumé
BACKGROUND: Understanding contributions of different brain pathologies to domain-specific cognitive trajectories in the oldest old is crucial to guide future intervention studies. METHODS: Two-hundred-twenty Oregon Alzheimer's Disease Center research participants who were cognitively intact at entry were followed on average for 7.3 years with annual neuropsychological testing until death (mean age, 93.7 y) and autopsy. Mixed effects models examined the relationship between trajectories in memory, verbal fluency, and mini-mental state examination (MMSE) and pathology (neurofibrillary tangles, neuritic plaques, gross infarcts, hippocampal sclerosis, Lewy bodies, APOE genotype, age at death, and years of education). The association between the MMSE trajectory and pathologic variables were examined using a Poisson model with MMSE errors as outcomes given the nonlinear distribution of MMSE scores. RESULTS: Memory trajectory was associated with the APOε4 allele (P=0.006). Verbal fluency trajectory was associated with gross infarcts (P=0.008). MMSE trajectory was associated with high Braak scores (P=0.03), gross infarcts (P<0.0001), hippocampal sclerosis (P=0.003), moderate neuritic plaques (P=0.04), and the APOε4 allele (P=0.02). CONCLUSIONS: The association between trajectory of decline in global cognitive scores and multiple brain pathologies highlights the importance of accounting for comorbid pathologies in therapeutic trials aimed at one specific pathology in the oldest old. Only the APOε4 allele showed an association with memory decline, despite accounting for Alzheimer's disease pathology, suggesting that APOE may be involved in mechanisms beyond amyloid metabolism in its role in memory. Further studies are needed to examine the role of APOE in brain aging.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».