GPS driving: a digital biomarker for preclinical Alzheimer disease
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
BACKGROUND: Alzheimer disease (AD) is the most common cause of dementia. Preclinical AD is the period during which early AD brain changes are present but cognitive symptoms have not yet manifest. The presence of AD brain changes can be ascertained by molecular biomarkers obtained via imaging and lumbar puncture. However, the use of these methods is limited by cost, acceptability, and availability. The preclinical stage of AD may have a subtle functional signature, which can impact complex behaviours such as driving. The objective of the present study was to evaluate the ability of in-vehicle GPS data loggers to distinguish cognitively normal older drivers with preclinical AD from those without preclinical AD using machine learning methods. METHODS: We followed naturalistic driving in cognitively normal older drivers for 1 year with a commercial in-vehicle GPS data logger. The cohort included n = 64 individuals with and n = 75 without preclinical AD, as determined by cerebrospinal fluid biomarkers. Four Random Forest (RF) models were trained to detect preclinical AD. RF Gini index was used to identify the strongest predictors of preclinical AD. RESULTS: The F1 score of the RF models for identifying preclinical AD was 0.85 using APOE ε4 status and age only, 0.82 using GPS-based driving indicators only, 0.88 using age and driving indicators, and 0.91 using age, APOE ε4 status, and driving. The area under the receiver operating curve for the final model was 0.96. CONCLUSION: The findings suggest that GPS driving may serve as an effective and accurate digital biomarker for identifying preclinical AD among older adults.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle