Retinal nerve fiber layer thickness predicts CSF amyloid/tau before cognitive decline
Notice bibliographique
Résumé
BACKGROUND: Alzheimer's disease (AD) pathology precedes symptoms and its detection can identify at-risk individuals who may benefit from early treatment. Since the retinal nerve fiber layer (RNFL) is depleted in established AD, we tested whether its thickness can predict whether cognitively healthy (CH) individuals have a normal or pathological cerebrospinal fluid (CSF) Aß42 (A) and tau (T) ratio. METHODS: As part of an ongoing longitudinal study, we enrolled CH individuals, excluding those with cognitive impairment and significant ocular pathology. We classified the CH group into two sub-groups, normal (CH-NAT, n = 16) or pathological (CH-PAT, n = 27), using a logistic regression model from the CSF AT ratio that identified >85% of patients with a clinically probable AD diagnosis. Spectral-domain optical coherence tomography (OCT) was acquired for RNFL, ganglion cell-inner plexiform layer (GC-IPL), and macular thickness. Group differences were tested using mixed model repeated measures and a classification model derived using multiple logistic regression. RESULTS: Mean age (± standard deviation) in the CH-PAT group (n = 27; 75.2 ± 8.4 years) was similar (p = 0.50) to the CH-NAT group (n = 16; 74.1 ± 7.9 years). Mean RNFL (standard error) was thinner in the CH-PAT group by 9.8 (2.7) μm; p < 0.001. RNFL thickness classified CH-NAT vs. CH-PAT with 87% sensitivity and 56.3% specificity. CONCLUSIONS: Our retinal data predict which individuals have CSF biomarkers of AD pathology before cognitive deficits are detectable with 87% sensitivity. Such results from easy-to-acquire, objective and non-invasive measurements of the RNFL merit further study of OCT technology to monitor or screen for early AD pathology.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».