Detection of Alzheimer’s Disease Using Logistic Regression and Clock Drawing Errors
Notice bibliographique
Résumé
Alzheimer's disease is an incurable disorder that accounts for up to 70% of all dementia cases. While the prevalence of Alzheimer's disease and other types of dementia has increased by more than 160% in the last 30 years, the rates of undetected cases remain critically high. The present work aims to address the underdetection of Alzheimer's disease by proposing four logistic regression models that can be used as a foundation for community-based screening tools that do not require the participation of medical professionals. Our models make use of individual clock drawing errors as well as complementary patient data that is highly available and easily collectible. All models were controlled for age, education, and gender. The discriminative ability of the models was evaluated by area under the receiver operating characteristic curve (AUC), the Hosmer-Lemeshow test, and calibration plots were used to assess calibration. Finally, decision curve analysis was used to quantify clinical utility. We found that among 10 possible CDT errors, only 3 were informative for the detection of Alzheimer's disease. Our base regression model, containing only control variables and clock drawing errors, produced an AUC of 0.825. The other three models were built as extensions of the base model with the step-wise addition of three groups of complementary data, namely cognitive features (semantic fluency score), genetic predisposition (family history of dementia), and cardio-vascular features (BMI, blood pressure). The addition of verbal fluency scores significantly improved the AUC compared to the base model (0.91 AUC). However, further additions did not make a notable difference in discriminatory power. All models showed good calibration. In terms of clinical utility, the derived models scored similarly and greatly outperformed the base model. Our results suggest that the combination of clock symmetry and clock time errors plus verbal fluency scores may be a suitable candidate for developing accessible screening tools for Alzheimer's disease. However, future work should validate our findings in larger and more diverse datasets.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».