Analysis of conversion of Alzheimer’s disease using a multi-state Markov model
Notice bibliographique
Résumé
With rapid aging of world population, Alzheimer's disease is becoming a leading cause of death after cardiovascular disease and cancer. Nearly 10% of people who are over 65 years old are affected by Alzheimer's disease. The causes have been studied intensively, but no definitive answer has been found. Genetic predisposition, abnormal protein deposits in brain, and environmental factors are suspected to play a role in the development of this disease. In this paper, we model progression of Alzheimer's disease using a multi-state Markov model to investigate the significance of known risk factors such as age, apolipoprotein E4, and some brain structural volumetric variables from magnetic resonance imaging scans (e.g., hippocampus, etc.) while predicting transitions between different clinical diagnosis states. With the Alzheimer's Disease Neuroimaging Initiative data, we found that the model with age is not significant (p = 0.1733) according to the likelihood ratio test, but the apolipoprotein E4 is a significant risk factor, and the examination of apolipoprotein E4-by-sex interaction suggests that the apolipoprotein E4 link to Alzheimer's disease is stronger in women. Given the estimated transition probabilities, the prediction accuracy is as high as 0.7849.
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 | 0,014 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».