Predicting Clinical Dementia Rating Using Blood RNA Levels
Notice bibliographique
Résumé
The Clinical Dementia Rating (CDR) is commonly used to assess cognitive decline in Alzheimer’s disease patients and is included in the Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset. We divided 741 ADNI participants with blood microarray data into three groups based on their most recent CDR assessment: cognitive normal (CDR = 0), mild cognitive impairment (CDR = 0.5), and probable Alzheimer’s disease (CDR ≥ 1.0). We then used machine learning to predict cognitive status using only blood RNA levels. Only one probe for chloride intracellular channel 1 (CLIC1) was significant after correction. However, by combining individually nonsignificant probes with p-values less than 0.1, we averaged 87.87% (s = 1.02) predictive accuracy for classifying the three groups, compared to a 55.46% baseline for this study due to unequal group sizes. The best model had an overall precision of 0.902, recall of 0.895, and a receiver operating characteristic (ROC) curve area of 0.904. Although we identified one significant probe in CLIC1, CLIC1 levels alone were not sufficient to predict dementia status and cannot be used alone in a clinical setting. Additional analyses combining individually suggestive, but nonsignificant, blood RNA levels were significantly predictive and may improve diagnostic accuracy for Alzheimer’s disease. Therefore, we propose that patient features that do not individually predict cognitive status might still contribute to overall cognitive decline through interactions that can be elucidated through machine learning.
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 | 0,000 |
| 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 | 0,000 |
| 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 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 ».