Longitudinal trajectories of Alzheimer’s ATN biomarkers in elderly persons without dementia
Notice bibliographique
Résumé
BACKGROUND: Models of Alzheimer's disease (AD) pathophysiology posit that amyloidosis [A] precedes and accelerates tau pathology [T] that leads to neurodegeneration [N]. Besides this A-T-N sequence, other biomarker sequences are possible. This current work investigates and compares the longitudinal trajectories of Alzheimer's ATN biomarker profiles in non-demented elderly adults from the Alzheimer's Disease Neuroimaging Initiative (ADNI) cohort. METHODS: Based on the ATN classification system, 262 individuals were identified before dementia diagnosis and accompanied by baseline and follow-up data of ATN biomarkers (CSF Aβ42, p-tau, and FDG-PET). We recorded the conversion processes in ATN biomarkers during follow-up, then analyzed the possible longitudinal trajectories and estimated the conversion rate and temporal evolution of biomarker changes. To evaluate how biomarkers changed over time, we used linear mixed-effects models. RESULTS: During a 6-120-month follow-up period, there were four patterns of longitudinal changes in Alzheimer's ATN biomarker profiles, from all negative to positive through the course of the disease. The most common pattern is that A pathology biomarker first emerges. As well as the classical A-T-N sequence, other "A-first," "T-first," and "N-first" biomarker pathways were found. The N-A-T sequence had the fastest rate of pathological progression (mean 65.00 months), followed by A-T-N (mean 67.07 months), T-A-N (mean 68.85 months), and A-N-T sequences (mean 98.14 months). CONCLUSIONS: Our current work presents a comprehensive analysis of longitudinal trajectories of Alzheimer's ATN biomarkers in non-demented elderly adults. Stratifying disease into subtypes depending on the temporal evolution of biomarkers will benefit the early recognition and treatment.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».