Racial differences in white matter hyperintensity load in aging, MCI, and AD
Notice bibliographique
Résumé
Abstract Background Cerebral small vessel disease (CSVD), often measured using white matter hyperintensities (WMHs) is a pathological change to the brain that increases ones’ risk for both age‐related cognitive decline and dementia. Several studies have noted that there is greater risk of CSVD in African Americans than in Caucasians. However, limited research has examined WMHs as a proxy of CSVD in an ethnically diverse sample. The goal of this research was to determine whether WMH load differs between African Americans and Caucasians. Methods Participants for this study were selected from the Alzheimer’s Disease Neuroimaging Initiative (ADNI1, GO, 2, and 3). They were included if they had baseline WMH measurements and a baseline diagnosis. WMHs were segmented using a previously validated automatic technique (Dadar et al., 2018). A total of 91 African Americans and 1846 Caucasians were included in this analysis. To compare samples, 91 Caucasian participants were randomly matched to African Americans based on age, sex, education, and diagnosis. This random selection was completed 1000 times using bootstrap resampling. A linear mixed effects was completed to examine the influence of race on WMH load: WMH ∼ Race + Age + Sex + Education + Diagnosis. The 95% confidence limits of the t‐statistics distributions for the 1000 samples were examined to determine whether the differences were statistically significant. Results The following figure shows the t‐statistic, 95% confidence intervals, and p‐value distributions of the 1000 bootstrapped samples. The 95% confidence intervals are between t=‐3.06 and t=‐0.89 for total WMH load, indicating significance, as the limits do not include 0. Conclusions Accounting for age, sex, education, and diagnostic status, racial differences were observed for total WMH load. That is, African Americans had higher total WMH load than Caucasians. Future research should examine whether these findings are observed longitudinally and if they influence cognition in an ethnically diverse sample.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,004 | 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 ».