Disease progression modeling in Alzheimer’s disease: insights from the shape of cognitive decline
Notice bibliographique
Résumé
Abstract Background The characterizing symptom of Alzheimer disease (AD) is cognitive deterioration. While much recent work has focused on defining AD as a biological construct, most patients are still diagnosed, staged, and treated based on their cognitive symptoms. But the cognitive capability of a patient at any time throughout this deterioration will not directly reflect the disease state, but rather the effect of the cognitive decline on the patient’s predisease cognitive capability. Patients with high predisease cognitive capabilities tend to score better on cognitive tests relative to patients with low predisease cognitive capabilities at the same disease stage. Thus, a single assessment with a cognitive test is not adequate for determining the stage of an AD patient. Methods and Findings I developed a joint statistical model that explicitly modeled disease stage, baseline cognition, and the patients’ individual changes in cognitive ability as latent variables. The developed model takes the form of a nonlinear mixed-effects model. Maximum-likelihood estimation in this model induces a data-driven criterion for separating disease progression and baseline cognition. Applied to data from the Alzheimer’s Disease Neuroimaging Initiative, the model estimated a timeline of cognitive decline in AD that spans approximately 15 years from the earliest subjective cognitive deficits to severe AD dementia. It was demonstrated how direct modeling of latent factors that modify the observed data patterns provide a scaffold for understanding disease progression, biomarkers and treatment effects along the continuous time progression of disease. Conclusions The suggested framework enables direct interpretations of factors that modify cognitive decline. The results give new insights to the value of biomarkers for staging patients and suggest alternative explanations for previous findings related to accelerated cognitive decline among highly educated patients and patients on symptomatic treatments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».