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 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 | 0,006 |
| 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 ».