Screening and predicting progression from high-risk mild cognitive impairment to Alzheimer’s disease
Notice bibliographique
Résumé
Individuals with mild cognitive impairment (MCI) are clinically heterogeneous, with different risks of progression to Alzheimer's disease. Regular follow-up and examination may be time-consuming and costly, especially for MRI and PET. Therefore, it is necessary to identify a more precise MRI population. In this study, a two-stage screening frame was proposed for evaluating the predictive utility of additional MRI measurements among high-risk MCI subjects. In the first stage, the K-means cluster was performed for trajectory-template based on two clinical assessments. In the second stage, high-risk individuals were filtered out and imputed into prognosis models with varying strategies. As a result, the ADAS-13 was more sensitive for filtering out high-risk individuals among patients with MCI. The optimal model included a change rate of clinical assessments and three neuroimaging measurements and was significantly associated with a net reclassification improvement (NRI) of 0.246 (95% CI 0.021, 0.848) and integrated discrimination improvement (IDI) of 0.090 (95% CI - 0.062, 0.170). The ADAS-13 longitudinal models had the best discrimination performance (Optimism-corrected concordance index = 0.830), as validated by the bootstrap method. Considering the limited medical and financial resources, our findings recommend follow-up MRI examination 1 year after identification for high-risk individuals, while regular clinical assessments for low-risk individuals.
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 | 0,010 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».