How much can the Alzheimer’s Disease Assessment Scale Cognitive Subscale (ADAS‐Cog) tell us? Insights from a latent state‐trait auto‐regressive (LST‐AR) model
Notice bibliographique
Résumé
Abstract Background The ADAS‐Cog assesses several cognitive domains and is the international gold standard for monitoring cognitive decline in clinical trials for Alzheimer’s disease (AD) dementia. These manifold cognitive deficits can progress differently and therefore, individual ADAS‐Cog items may contain different sources of information: some predictable based on the baseline score (i.e. trait), and some based on progression from one occasion to the next (i.e. accumulated or “autoregressive” effects), while some reflects unpredictable “occasion specific” fluctuations in symptoms (i.e state). Method Over multiple occasions of measurement, latent state‐trait autoregressive (LST‐AR) models can be used to decompose each item into reliable consistent information (composed of trait information and accumulated effects), reliable occasion‐specific information (i.e. state effects), and unreliable information (i.e. measurement error). Thus, consistency (trait + accumulated effects) and reliability (consistency + occasion specificity) can be determined for each item, at each assessment. The LST‐AR model was fit to four waves of data assessments (baseline, 6, 12 and 24 months) among 341 mild AD patients that participated in the Alzheimer’s Disease Neuroimaging Initiative (ADNI) study. Result The reliabilities of the memory (43.4%‐80.1%) and language (63.8%‐92.5%) items were generally greater than those of the praxis (average of 65.6%) and orientation (average of 60.8%) items. At the last assessment, all of the memory and language items had more consistency (ranging from 63.4% for comprehension of spoken language to 88.2% for word recognition) than occasion specificity. Disentangling the consistency into traits and accumulated effects, the items most reflective of traits were word recognition (79.4%) and commands (64.1%). Word recall, orientation and naming tasks contained roughly equal amounts of trait and accumulated information. Scores on comprehension of spoken language and spoken language ability were mainly related to accumulated effects (71.4% and 64.7%, respectively). Conclusion In mild AD, most individual ADAS‐Cog memory and language items were reliable over time. Moreover, the scale captured additional information about the state, trait and accumulated effects of AD; the memory items tended to be more reflective of trait differences between subjects, whereas the language items tended to reflect effects that accumulated from one visit to the next, consistent with the typical progression of AD.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».