Estimating Transition Probabilities Across the Alzheimer’s Disease Continuum Using a Nationally Representative Real-World Database in the United States
Notice bibliographique
Résumé
INTRODUCTION: Clinical Alzheimer's disease (AD) begins with mild cognitive impairment (MCI) and progresses to mild, moderate, or severe dementia, constituting a disease continuum that eventually leads to death. This study aimed to estimate the probabilities of transitions across those disease states. METHODS: We developed a mixed-effects multi-state Markov model to estimate the transition probabilities, adjusted for 5 baseline covariates, using the Health and Retirement Study (HRS) database. HRS surveys older adults in the United States bi-annually. Alzheimer states were defined using the modified Telephone Interview of Cognitive Status (TICS-m). RESULTS: A total of 11,292 AD patients were analyzed. Patients were 70.8 ± 9.0 years old, 54.9% female, and with 12.0 ± 3.3 years of education. Within 1 year from the initial state, the model estimated a higher probability of transition to the next AD state in earlier disease: 12.8% from MCI to mild AD and 5.0% from mild to moderate AD, but < 1% from moderate to severe AD. After 10 years, the probability of transition to the next state was markedly higher for all states, but still higher in earlier disease: 29.8% from MCI to mild AD, 23.5% from mild to moderate AD, and 5.7% from moderate to severe AD. Across all AD states, the probability of transition to death was < 5% after 1 year and > 15% after 10 years. Older age, fewer years of education, unemployment, and nursing home stay were associated with a higher risk of disease progression (p < 0.01). CONCLUSIONS: This analysis shows that the risk of progression is greater in earlier AD states, increases over time, and is higher in patients who are older, with fewer years of education, unemployed, or in a nursing home at baseline. The estimated transition probabilities can provide guidance for future disease management and clinical trial design optimization, and can be used to refine existing cost-effectiveness frameworks.
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 | 0,008 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».