Model-based stratification of progression along the Alzheimer disease continuum highlights the centrality of biomarker synergies
Notice bibliographique
Résumé
BACKGROUND: The progression rates of Alzheimer's disease (AD) are variable and dynamic, yet the mechanisms that contribute to heterogeneity in progression rates remain ill-understood. Particularly, the role of synergies in pathological processes reflected by biomarkers for amyloid-beta ('A'), tau ('T'), and neurodegeneration ('N') in progression along the AD continuum is not fully understood. METHODS: Here, we used a combination of model and data-driven approaches to address this question. Working with a large dataset (N = 321 across the training and testing cohorts), we first applied unsupervised clustering on longitudinal cognitive assessments to divide individuals on the AD continuum into those showing fast vs. moderate decline. Next, we developed a deep learning model that differentiated fast vs. moderate decline using baseline AT(N) biomarkers. RESULTS: Training the model with AT(N) biomarker combination revealed more prognostic utility than any individual biomarkers alone. We additionally found little overlap between the model-driven progression phenotypes and established atrophy-based AD subtypes. Our model showed that the combination of all AT(N) biomarkers had the most prognostic utility in predicting progression along the AD continuum. A comprehensive AT(N) model showed better predictive performance than biomarker pairs (A(N) and T(N)) and individual biomarkers (A, T, or N). CONCLUSIONS: This study combined data and model-driven methods to uncover the role of AT(N) biomarker synergies in the progression of cognitive decline along the AD continuum. The results suggest a synergistic relationship between AT(N) biomarkers in determining this progression, extending previous evidence of A-T synergistic mechanisms.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».