Alzheimer’s Disease-Related Metabolic Pattern in Diverse Forms of Neurodegenerative Diseases
Notice bibliographique
Résumé
Dementia is broadly characterized by cognitive and psychological dysfunction that significantly impairs daily functioning. Dementia has many causes including Alzheimer's disease (AD), dementia with Lewy bodies (DLB), and frontotemporal lobar degeneration (FTLD). Detection and differential diagnosis in the early stages of dementia remains challenging. Fueled by AD Neuroimaging Initiatives (ADNI) (Data used in preparation of this article were obtained from the Alzheimer's Disease Neuroimaging Initiative (ADNI) database. As such, the investigators within ADNI contributed to the design and implementation of ADNI and/or provided data but did not participate in analysis or writing of this report.), a number of neuroimaging biomarkers for AD have been proposed, yet it remains to be seen whether these markers are also sensitive to other types of dementia. We assessed AD-related metabolic patterns in 27 patients with diverse forms of dementia (five had probable/possible AD while others had atypical cases) and 20 non-demented individuals. All participants had positron emission tomography (PET) scans on file. We used a pre-trained machine learning-based AD designation (MAD) framework to investigate the AD-related metabolic pattern among the participants under study. The MAD algorithm showed a sensitivity of 0.67 and specificity of 0.90 for distinguishing dementia patients from non-dementia participants. A total of 18/27 dementia patients and 2/20 non-dementia patients were identified as having AD-like patterns of metabolism. These results highlight that many underlying causes of dementia have similar hypometabolic pattern as AD and this similarity is an interesting avenue for future research.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».