Latent Class and Transition Analysis of Alzheimer's Disease Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study uses independent latent class analysis (LCA) and latent transition analysis (LTA) to explore accurate diagnosis and disease status change of a big Alzheimer's disease Neuroimaging Initiative (ADNI) data of 2,132 individuals over a 3-year period. The data includes clinical and neural measures of controls (CN), individuals with subjective memory complains (SMC), early-onset mild cognitive impairment (EMCI), late-onset mild cognitive impairment (LMCI), and Alzheimer's disease (AD). LCA at each time point yielded 3 classes: Class 1 is mostly composed of individuals from CN, SMC, and EMCI groups; Class 2 represents individuals from LMCI and AD groups with improved scores on memory, clinical, and neural measures; in contrast, Class 3 represents LMCI and from AD individuals with deteriorated scores on memory, clinical, and neural measures. However, 63 individuals from Class 1 were diagnosed as AD patients. This could be misdiagnosis, as their conditional probability of belonging to Class 1 (0.65) was higher than that of Class 2 (0.27) and Class 3 (0.08). LTA results showed that individuals had a higher probability of staying in the same class over time with probability >0.90 for Class 1 and 3 and probability >0.85 for Class 2. Individuals from Class 2, however, transitioned to Class 1 from time 2 to time 3 with a probability of 0.10. Other transition probabilities were not significant. Lastly, further analysis showed that individuals in Class 2 who moved to Class 1 have different memory, clinical, and neural measures to other individuals in the same class. We acknowledge that the proposed framework is sophisticated and time-consuming. However, given the severe neurodegenerative nature of AD, we argue that clinicians should prioritize an accurate diagnosis. Our findings show that LCA can provide a more accurate prediction for classifying and identifying the progression of AD compared to traditional clinical cut-off measures on neuropsychological assessments.
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.
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 | 0,001 |
| 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) | 0,000 | 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 découle