A Machine Learning-Based Holistic Approach to Predict the Clinical Course of Patients within the Alzheimer’s Disease Spectrum
Notice bibliographique
Résumé
BACKGROUND: Alzheimer's disease (AD) is a neurodegenerative condition driven by multifactorial etiology. Mild cognitive impairment (MCI) is a transitional condition between healthy aging and dementia. No reliable biomarkers are available to predict the conversion from MCI to AD. OBJECTIVE: To evaluate the use of machine learning (ML) on a wealth of data offered by the Alzheimer's Disease Neuroimaging Initiative (ADNI) and Alzheimer's Disease Metabolomics Consortium (ADMC) database in the prediction of the MCI to AD conversion. METHODS: We implemented an ML-based Random Forest (RF) algorithm to predict conversion from MCI to AD. Data related to the study population (587 MCI subjects) were analyzed by RF as separate or combined features and assessed for classification power. Four classes of variables were considered: neuropsychological test scores, AD-related cerebrospinal fluid (CSF) biomarkers, peripheral biomarkers, and structural magnetic resonance imaging (MRI) variables. RESULTS: The ML-based algorithm exhibited 86% accuracy in predicting the AD conversion of MCI subjects. When assessing the features that helped the most, neuropsychological test scores, MRI data, and CSF biomarkers were the most relevant in the MCI to AD prediction. Peripheral parameters were effective when employed in association with neuropsychological test scores. Age and sex differences modulated the prediction accuracy. AD conversion was more effectively predicted in females and younger subjects. CONCLUSION: Our findings support the notion that AD-related neurodegenerative processes result from the concerted activity of multiple pathological mechanisms and factors that act inside and outside the brain and are dynamically affected by age and sex.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».