Sex differences in predictors and regional patterns of brain age gap estimates
Notice bibliographique
Résumé
The brain-age-gap estimate (brainAGE) quantifies the difference between chronological age and age predicted by applying machine-learning models to neuroimaging data and is considered a biomarker of brain health. Understanding sex differences in brainAGE is a significant step toward precision medicine. Global and local brainAGE (G-brainAGE and L-brainAGE, respectively) were computed by applying machine learning algorithms to brain structural magnetic resonance imaging data from 1113 healthy young adults (54.45% females; age range: 22-37 years) participating in the Human Connectome Project. Sex differences were determined in G-brainAGE and L-brainAGE. Random forest regression was used to determine sex-specific associations between G-brainAGE and non-imaging measures pertaining to sociodemographic characteristics and mental, physical, and cognitive functions. L-brainAGE showed sex-specific differences; in females, compared to males, L-brainAGE was higher in the cerebellum and brainstem and lower in the prefrontal cortex and insula. Although sex differences in G-brainAGE were minimal, associations between G-brainAGE and non-imaging measures differed between sexes with the exception of poor sleep quality, which was common to both. While univariate relationships were small, the most important predictor of higher G-brainAGE was self-identification as non-white in males and systolic blood pressure in females. The results demonstrate the value of applying sex-specific analyses and machine learning methods to advance our understanding of sex-related differences in factors that influence the rate of brain aging and provide a foundation for targeted interventions.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».