MétaCan
Menu
Retour à la cohorte
Enregistrement W3005165005 · doi:10.1093/brain/awz414

Morphometric network differences in ageing versus Alzheimer’s disease dementia

2019· article· en· W3005165005 sur OpenAlexafffund
Alexa Pichet Binette, Julie Gonneaud, Jacob W. Vogel, Renaud La Joie, Pedro Rosa‐Neto, D. Louis Collins, Judes Poirier, John C.S. Breitner, Sylvia Villeneuve, Étienne Vachon‐Presseau

Notice bibliographique

RevueBrain · 2019
Typearticle
Langueen
DomaineNeuroscience
ThématiqueFunctional Brain Connectivity Studies
Établissements canadiensMcGill University Health CentreMontreal Neurological Institute and HospitalMcGill UniversityDouglas Mental Health University Institute
Organismes subventionnairesNational Institute of Biomedical Imaging and BioengineeringNational Institute on AgingNational Institutes of HealthAlzheimer's Disease Neuroimaging InitiativeDoD Alzheimer's Disease Neuroimaging InitiativeCanadian Institutes of Health ResearchAlzheimer SocietyMcGill UniversityU.S. Department of Defense
Mots-clésGrey matterDementiaAgeingAlzheimer's diseasePsychologyCohortDiseaseBrain sizeNeuroscienceGerontologyWhite matterMedicinePathologyMagnetic resonance imagingInternal medicine

Résumé

récupéré en direct d'OpenAlex

Age being the main risk factor for Alzheimer's disease, it is particularly challenging to disentangle structural changes related to normal brain ageing from those specific to Alzheimer's disease. Most studies aiming to make this distinction focused on older adults only and on a priori anatomical regions. Drawing on a large, multi-cohort dataset ranging from young adults (n = 468; age range 18-35 years), to older adults with intact cognition (n = 431; age range 55-90 years) and with Alzheimer's disease (n = 50 with late mild cognitive impairment and 71 with Alzheimer's dementia, age range 56-88 years), we investigated grey matter organization and volume differences in ageing and Alzheimer's disease. Using independent component analysis on all participants' structural MRI, we first derived morphometric networks and extracted grey matter volume in each network. We also derived a measure of whole-brain grey matter pattern organization by correlating grey matter volume in all networks across all participants from the same cohort. We used logistic regressions and receiver operating characteristic analyses to evaluate how well grey matter volume in each network and whole-brain pattern could discriminate between ageing and Alzheimer's disease. Because increased heterogeneity is often reported as one of the main features characterizing brain ageing, we also evaluated interindividual heterogeneity within morphometric networks and across the whole-brain organization in ageing and Alzheimer's disease. Finally, to investigate the clinical validity of the different grey matter features, we evaluated whether grey matter volume or whole-brain pattern was related to clinical progression in cognitively normal older adults. Ageing and Alzheimer's disease contributed additive effects on grey matter volume in nearly all networks, except frontal lobe networks, where differences in grey matter were more specific to ageing. While no networks specifically discriminated Alzheimer's disease from ageing, heterogeneity in grey matter volumes across morphometric networks and in the whole-brain grey matter pattern characterized individuals with cognitive impairments. Preservation of the whole-brain grey matter pattern was also related to lower risk of developing cognitive impairment, more so than grey matter volume. These results suggest both ageing and Alzheimer's disease involve widespread atrophy, but that the clinical expression of Alzheimer's disease is uniquely associated with disruption of morphometric organization.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,060
Score d'incertitude au seuil0,741

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,276
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations62
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBrainMême sujetFunctional Brain Connectivity StudiesTravaux en français237 207