A Novel Panel of Plasma Proteins Predicts Progression in Prodromal Alzheimer’s Disease
Notice bibliographique
Résumé
BACKGROUND: A cheap and minimum-invasive method for early identification of Alzheimer's disease (AD) pathogenesis is key to disease management and the success of emerging treatments targeting the prodromal phases of the disease. OBJECTIVE: To develop a machine learning-based blood panel to predict the progression from mild cognitive impairment (MCI) to dementia due to AD within a four-year time-to-conversion horizon. METHODS: We created over one billion models to predict the probability of conversion from MCI to dementia due to AD and chose the best-performing one. We used Alzheimer's Disease Neuroimaging Initiative (ADNI) data of 379 MCI individuals in the baseline visit, from which 176 converted to AD dementia. RESULTS: We developed a machine learning-based panel composed of 12 plasma proteins (ApoB, Calcitonin, C-peptide, CRP, IGFBP-2, Interleukin-3, Interleukin-8, PARC, Serotransferrin, THP, TLSP 1-309, and TN-C), and which yielded an AUC of 0.91, accuracy of 0.91, sensitivity of 0.84, and specificity of 0.98 for predicting the risk of MCI patients converting to dementia due to AD in a horizon of up to four years. CONCLUSION: The proposed machine learning model was able to accurately predict the risk of MCI patients converting to dementia due to AD in a horizon of up to four years, suggesting that this model could be used as a minimum-invasive tool for clinical decision support. Further studies are needed to better clarify the possible pathophysiological links with the reported proteins.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».