Gene Expressions, Hippocampal Volume Loss, and MMSE Scores in Computation of Progression and Pharmacologic Therapy Effects for Alzheimer's Disease
Notice bibliographique
Résumé
We build personalized relevance parameterization method (prep-ad) based on artificial intelligence (ai) techniques to compute Alzheimer's disease (ad) progression for patients at the mild cognitive impairment (mci) stage. Expressions of ad related genes, mini mental state examination (mmse) scores, and hippocampal volume measurements of mci patients are obtained from the Alzheimer's Disease Neuroimaging Initiative (adni) database. In evaluation of cognitive changes under pharmacological therapies, patients are grouped based on available clinical measurements and the type of therapy administered, namely donepezil monotherapy and polytherapy of donepezil with memantine. Average leave one out cross validation (loocv) error rates are calculated for prep-ad results as less than 8 percent when mmse scores are used to compute disease progression for a 60 month period, and 3 percent with hippocampal volume measurements for 12 months. Statistical significance is calculated as p = 0.003 for using ad related genes in disease progression and as for the results computed by prep-ad. These relatively small average loocv errors and p-values suggest that our prep-ad methods employing gene expressions, mmse scores and hippocampal volume loss measurements can be useful in supporting pharmacologic therapy decisions during early stages of ad.
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 | 0,000 | 0,000 |
| 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 ».