Profiling and predicting distinct tau progression patterns: An unsupervised data‐driven approach to flortaucipir positron emission tomography
Notice bibliographique
Résumé
INTRODUCTION: How to detect patterns of greater tau burden and accumulation is still an open question. METHODS: An unsupervised data-driven whole-brain pattern analysis of longitudinal tau positron emission tomography (PET) was used first to identify distinct tau accumulation profiles and then to build baseline models predictive of tau-accumulation type. RESULTS: The data-driven analysis of longitudinal flortaucipir PET from studies done by the Alzheimer's Disease Neuroimaging Initiative, Avid Pharmaceuticals, and Harvard Aging Brain Study (N = 348 cognitively unimpaired, N = 188 mild cognitive impairment, N = 77 dementia), yielded three distinct flortaucipir-progression profiles: stable, moderate accumulator, and fast accumulator. Baseline flortaucipir levels, amyloid beta (Aβ) positivity, and clinical variables, identified moderate and fast accumulators with 81% and 95% positive predictive values, respectively. Screening for fast tau accumulation and Aβ positivity in early Alzheimer's disease, compared to Aβ positivity with variable tau progression profiles, required 46% to 77% lower sample size to achieve 80% power for 30% slowing of clinical decline. DISCUSSION: Predicting tau progression with baseline imaging and clinical markers could allow screening of high-risk individuals most likely to benefit from a specific treatment regimen.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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) | 0,001 | 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 ».