Does adding MRI and CSF-based biomarkers improve cognitive status classification based on cognitive performance questionnaires?
Notice bibliographique
Résumé
BACKGROUND: Cognitive status classification (e.g. dementia, cognitive impairment without dementia, and normal) based on cognitive performance questionnaires has been widely used in population-based studies, providing insight into the population dynamics of dementia. However, researchers have raised concerns about the accuracy of cognitive assessments. MRI and CSF biomarkers may provide improved classification, but the potential improvement in classification in population-based studies is relatively unknown. METHODS: Data come from the Alzheimer's Disease Neuroimaging Initiative (ADNI). We examined whether the addition of MRI and CSF biomarkers improved cognitive status classification based on cognitive status questionnaires (MMSE). We estimated several multinomial logistic regression models with different combinations of MMSE and CSF/MRI biomarkers. Based on these models, we also predicted prevalence of each cognitive status category using a model with MMSE only and a model with MMSE + MRI + CSF measures and compared them to diagnosed prevalence. RESULTS: Our analysis showed a slight improvement in variance explained (pseudo-R2) between the model with MMSE only and the model including MMSE and MRI/CSF biomarkers; the pseudo-R2 increased from .401 to .445. Additionally, in evaluating differences in predicted prevalence for each cognitive status, we found a small improvement in the predicted prevalence of cognitively normal individuals between the MMSE only model and the model with MMSE and CSF/MRI biomarkers (3.1% improvement). We found no improvement in the correct prediction of dementia prevalence. CONCLUSION: MRI and CSF biomarkers, while important for understanding dementia pathology in clinical research, were not found to substantially improve cognitive status classification based on cognitive status performance, which may limit adoption in population-based surveys due to costs, training, and invasiveness associated with their collection.
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 | 0,025 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».