Prevalence of amyloid‐β pathology in distinct variants of primary progressive aphasia
Notice bibliographique
Résumé
OBJECTIVE: To estimate the prevalence of amyloid positivity, defined by positron emission tomography (PET)/cerebrospinal fluid (CSF) biomarkers and/or neuropathological examination, in primary progressive aphasia (PPA) variants. METHODS: We conducted a meta-analysis with individual participant data from 1,251 patients diagnosed with PPA (including logopenic [lvPPA, n = 443], nonfluent [nfvPPA, n = 333], semantic [svPPA, n = 401], and mixed/unclassifiable [n = 74] variants of PPA) from 36 centers, with a measure of amyloid-β pathology (CSF [n = 600], PET [n = 366], and/or autopsy [n = 378]) available. The estimated prevalence of amyloid positivity according to PPA variant, age, and apolipoprotein E (ApoE) ε4 status was determined using generalized estimating equation models. RESULTS: Amyloid-β positivity was more prevalent in lvPPA (86%) than in nfvPPA (20%) or svPPA (16%; p < 0.001). Prevalence of amyloid-β positivity increased with age in nfvPPA (from 10% at age 50 years to 27% at age 80 years, p < 0.01) and svPPA (from 6% at age 50 years to 32% at age 80 years, p < 0.001), but not in lvPPA (p = 0.94). Across PPA variants, ApoE ε4 carriers were more often amyloid-β positive (58.0%) than noncarriers (35.0%, p < 0.001). Autopsy data revealed Alzheimer disease pathology as the most common pathologic diagnosis in lvPPA (76%), frontotemporal lobar degeneration-TDP-43 in svPPA (80%), and frontotemporal lobar degeneration-TDP-43/tau in nfvPPA (64%). INTERPRETATION: This study shows that the current PPA classification system helps to predict underlying pathology across different cohorts and clinical settings, and suggests that age and ApoE genotype should be considered when interpreting amyloid-β biomarkers in PPA patients. Ann Neurol 2018;84:737-748.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 ».