Modelling prognostic trajectories of cognitive decline due to Alzheimer's disease
Notice bibliographique
Résumé
Alzheimer's disease (AD) is characterised by a dynamic process of neurocognitive changes from normal cognition to mild cognitive impairment (MCI) and progression to dementia. However, not all individuals with MCI develop dementia. Predicting whether individuals with MCI will decline (i.e. progressive MCI) or remain stable (i.e. stable MCI) is impeded by patient heterogeneity due to comorbidities that may lead to MCI diagnosis without progression to AD. Despite the importance of early diagnosis of AD for prognosis and personalised interventions, we still lack robust tools for predicting individual progression to dementia. Here, we propose a novel trajectory modelling approach based on metric learning (Generalised Metric Learning Vector Quantization) that mines multimodal data from MCI patients in the Alzheimer's disease Neuroimaging Initiative (ADNI) cohort to derive individualised prognostic scores of cognitive decline due to AD. We develop an integrated biomarker generation- using partial least squares regression- and classification methodology that extends beyond binary patient classification into discrete subgroups (i.e. stable vs. progressive MCI), determines individual profiles from baseline (i.e. cognitive or biological) data and predicts individual cognitive trajectories (i.e. change in memory scores from baseline). We demonstrate that a metric learning model trained on baseline cognitive data (memory, executive function, affective measurements) discriminates stable vs. progressive MCI individuals with high accuracy (81.4%), revealing an interaction between cognitive (memory, executive functions) and affective scores that may relate to MCI comorbidity (e.g. affective disturbance). Training the model to perform the same binary classification on biological data (mean cortical β-amyloid burden, grey matter density, APOE 4) results in similar prediction accuracy (81.9%). Extending beyond binary classifications, we develop and implement a trajectory modelling approach that shows significantly better performance in predicting individualised rate of future cognitive decline (i.e. change in memory scores from baseline), when the metric learning model is trained with biological (r = -0.68) compared to cognitive (r = -0.4) data. Our trajectory modelling approach reveals interpretable and interoperable markers of progression to AD and has strong potential to guide effective stratification of individuals based on prognostic disease trajectories, reducing MCI patient misclassification, that is critical for clinical practice and discovery of personalised interventions.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».