Survival Analysis in Cognitively Normal Subjects and in Patients with Mild Cognitive Impairment Using a Proportional Hazards Model with Extreme Gradient Boosting Regression
Notice bibliographique
Résumé
BACKGROUND: Evaluating the risk of Alzheimer's disease (AD) in cognitively normal (CN) and patients with mild cognitive impairment (MCI) is extremely important. While MCI-to-AD progression risk has been studied extensively, few studies estimate CN-to-MCI conversion risk. The Cox proportional hazards (PH), a widely used survival analysis model, assumes a linear predictor-risk relationship. Generalizing the PH model to more complex predictor-risk relationships may increase risk estimation accuracy. OBJECTIVE: The aim of this study was to develop a PH model using an Xgboost regressor, based on demographic, genetic, neuropsychiatric, and neuroimaging predictors to estimate risk of AD in patients with MCI, and the risk of MCI in CN subjects. METHODS: We replaced the Cox PH linear model with an Xgboost regressor to capture complex interactions between predictors, and non-linear predictor-risk associations. We endeavored to limit model inputs to noninvasive and more widely available predictors in order to facilitate future applicability in a wider setting. RESULTS: In MCI-to-AD (n = 882), the Xgboost model achieved a concordance index (C-index) of 84.5%. When the model was used for MCI risk prediction in CN (n = 100) individuals, the C-index was 73.3%. In both applications, the C-index was statistically significantly higher in the Xgboost in comparison to the Cox PH model. CONCLUSION: Using non-linear regressors such as Xgboost improves AD dementia risk assessment in CN and MCI. It is possible to achieve reasonable risk stratification using predictors that are relatively low-cost in terms of time, invasiveness, and availability. Future strategies for improving AD dementia risk estimation are discussed.
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 | 0,013 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».