Enriching the design of Alzheimer's disease clinical trials: Application of the polygenic hazard score and composite outcome measures
Notice bibliographique
Résumé
INTRODUCTION: Selecting individuals at high risk of Alzheimer's disease (AD) dementia and using the most sensitive outcome measures are important aspects of trial design. METHODS: We divided participants from Alzheimer's Disease Neuroimaging Initiative at the 50th percentile of the predicted absolute risk of the polygenic hazard score (PHS). Outcome measures were the Alzheimer's Disease Assessment Schedule-Cognitive Subscale (ADAS-Cog), ADNI-Mem, Clinical Dementia Rating-Sum of Boxes (CDR SB), and Cognitive Function Composite 2 (CFC2). In addition to modeling, we use a power analysis compare numbers needed with each technique. RESULTS: Data from 188 cognitively normal and 319 mild cognitively impaired (MCI) participants were analyzed. Using the ADAS-Cog to estimate sample sizes, without stratification over 24 months, would require 930 participants with MCI, while using the CFC2 and restricting participants to those in the upper 50th percentile would require only 284 participants. DISCUSSION: Combining stratification by PHS and selection of a sensitive combined outcome measure in a cohort of patients with MCI can allow trial design that is more efficient, potentially less burdensome on participants, and more cost effective.
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 | 0,025 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».