Racial differences in white matter hyperintensity burden in aging, MCI, and AD
Notice bibliographique
Résumé
Abstract White matter hyperintensities may be one of the earliest pathological changes in aging and may potentially accelerate cognitive decline. Whether race influences WMH burden has been conflicting. The goal of this study was to examine if race differences exist in WMH burden and whether these differences are influenced by vascular factors [i.e., diabetes, hypertension, body mass index (BMI)]. Participants from the Alzheimer’s Disease Neuroimaging Initiative were included if they had a baseline MRI, diagnosis, and WMH measurements. Ninety-one Black and 1937 White individuals were included. Using bootstrap re-sampling, 91 Whites were randomly sampled and matched to Black participants based on age, sex, education, and diagnosis 1000 times. Linear regression models examined the influence of race on baseline WMHs with and without vascular factors: WMH ∼ Race + Age + Sex + Education + BMI + Hypertension + Diabetes and WMH ∼ Race + Age + Sex + Education . The 95% confidence limits of the t-statistics distributions for the 1000 samples were examined to determine statistical significance. All vascular risk factors had significantly higher prevalence in Black than White individuals. When not including vascular risk factors, Black individuals had greater WMH volume overall as well as in frontal and parietal regions, compared to White individuals. After controlling for vascular risk factors, no WMH group differences remained significant. These findings suggest that vascular risk factors are a major contributor to racial group differences observed in WMHs.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,002 | 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 ».