Original research: initial development of a pragmatic tool to estimate cognitive decline risk focusing on potentially modifiable factors in Parkinson’s disease
Notice bibliographique
Résumé
Introduction Cognitive decline is common in Parkinson’s disease (PD). Calculating personalized risk of cognitive decline in PD would allow for appropriate counseling, early intervention with available treatments, and inclusion in disease-modifying trials. Methods Data were from the Parkinson’s Progression Markers Initiative de novo cohort. Baseline scores were calculated for Lifestyle for Brain Health (LIBRA) and the Montreal Parkinson Risk of Dementia Scale (MoPaRDS) per prior literature and preliminary Parkinson’s disease Risk Estimator for Decline In Cognition Tool (pPREDICT) by attributing a point for fourteen posited risk factors. Baseline and 5-year follow-up composite cognitive scores (CCSs) were calculated from a neuropsychological battery and used to define cognitive decliners (PD-decline) versus maintainers (PD-maintain). Results The PD-decline group (n = 44) had higher LIBRA (6.76 ± 0.57, p < 0.05), MoPaRDS (2.45 ± 1.41, p < 0.05) and pPREDICT (4.52 ± 1.66, p < 0.05) scores compared to the PD-maintain group (n = 263; LIBRA 4.98 ± 0.20, MoPaRDS 1.68 ± 1.16, pPREDICT 3.38 ± 1.69). Area-under-the-curve (AUC) for LIBRA was 0.64 (95% confidence interval [CI], 0.55–0.73), MoPaRDS was 0.66 (95% CI, 0.58–0.75) and for pPREDICT was 0.68 (95% CI, 0.61–0.76). In linear regression analyses, LIBRA (p < 0.05), MoPaRDS (p < 0.05) and pPREDICT (p < 0.05) predicted change in CCS. Only age stratified by sex (p < 0.05) contributed significantly to the model for LIBRA. Age and presence of hallucinations (p < 0.05) contributed significantly to the model for MoPaRDS. Male sex, older age, excessive daytime sleepiness, and moderate–severe motor symptoms (all p < 0.05) contributed significantly to the model for pPREDICT. Conclusion Although MoPaRDS is a PD-specific tool for predicting cognitive decline relying on only clinical features, it does not focus on potentially modifiable risk factors. LIBRA does focus on potentially modifiable risk factors and is associated with prediction of all-cause dementia in some populations, but pPREDICT potentially demonstrates improved performance in cognitive decline risk calculation in individuals with PD and may identify actionable risk factors. As pPREDICT incorporates multiple potentially modifiable risk factors that can be obtained easily in the clinical setting, it is a first step in developing an easily assessable tool for a personalized approach to reduce dementia risk in people with PD.
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 | 0,047 | 0,110 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».