Dementia Risk Models in an Australian First Nations Population: Cross-Sectional Associations and Preparation for Follow-Up
Notice bibliographique
Résumé
Background: Reducing the burden of dementia in First Nations populations may be addressed through developing population specific methods to quantify future risk of dementia. Objective: To adapt existing dementia risk models to cross-sectional dementia prevalence data from a First Nations population in the Torres Strait region of Australia in preparation for follow-up of participants. To explore the diagnostic utility of these dementia risk models at detecting dementia. Methods: A literature review to identify existing externally validated dementia risk models. Adapting these models to cross-sectional data and assessing their diagnostic utility through area under the receiver operating characteristic curve (AUROC) analyses and calibration using Hosmer-Lemeshow Chi 2 . Results: Seven risk models could be adapted to the study data. The Aging, Cognition and Dementia (AgeCoDe) study, the Framingham Heart Study (FHS), and the Brief Dementia Screening Indicator (BDSI) had moderate diagnostic utility in identifying dementia (i.e., AUROC >0.70) before and after points for older age were removed. Conclusion: Seven existing dementia risk models could be adapted to this First Nations population, and three had some cross-sectional diagnostic utility. These models were designed to predict dementia incidence, so their applicability to identify prevalent cases would be limited. The risk scores derived in this study may have prognostic utility as participants are followed up over time. In the interim, this study highlights considerations when transporting and developing dementia risk models for First Nations populations.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».