Do Epilepsy Patients with Cognitive Impairment Have Alzheimer’s Disease-like Brain Metabolism?
Notice bibliographique
Résumé
Although not classically considered together, there is emerging evidence that Alzheimer’s disease (AD) and epilepsy share a number of features and that each disease predisposes patients to developing the other. Using machine learning, we have previously developed an automated fluorodeoxyglucose positron emission tomography (FDG-PET) reading program (i.e., MAD), and demonstrated good sensitivity (84%) and specificity (95%) for differentiating AD patients versus healthy controls. In this retrospective chart review study, we investigated if epilepsy patients with/without mild cognitive symptoms also show AD-like metabolic patterns determined by the MAD algorithm. Scans from a total of 20 patients with epilepsy were included in this study. Because AD diagnoses are made late in life, only patients aged ≥40 years were considered. For the cognitively impaired patients, four of six were identified as MAD+ (i.e., the FDG-PET image is classified as AD-like by the MAD algorithm), while none of the five cognitively normal patients was identified as MAD+ (χ2 = 8.148, p = 0.017). These results potentially suggest the usability of FDG-PET in prognosticating later dementia development in non-demented epilepsy patients, especially when combined with machine learning algorithms. A longitudinal follow-up study is warranted to assess the effectiveness of this approach.
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 | 0,000 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».