Multipredictor risk models for predicting individual risk of Alzheimer’s disease
Notice bibliographique
Résumé
BACKGROUND: Early prevention of Alzheimer's disease (AD) is a feasible way to delay AD onset and progression. Information on AD prediction at the individual patient level will be useful in AD prevention. In this study, we aim to develop risk models for predicting AD onset at individual level using optimal set of predictors from multiple features. METHODS: A total of 487 cognitively normal (CN) individuals and 796 mild cognitive impairment (MCI) patients were included from Alzheimer's Disease Neuroimaging Initiative. All the participants were assessed for clinical, cognitive, magnetic resonance imaging and cerebrospinal fluid (CSF) markers and followed for mean periods of 5.6 years for CN individuals and 4.6 years for MCI patients to ascertain progression from CN to incident prodromal stage of AD or from MCI to AD dementia. Least Absolute Shrinkage and Selection Operator Cox regression was applied for predictors selection and model construction. RESULTS: During the follow-up periods, 139 CN participants had progressed to prodromal AD (CDR ≥ 0.5) and 321 MCI patients had progressed to AD dementia. In the prediction of individual risk of incident prodromal stage of AD in CN individuals, the AUC of the final CN model was 0.81 within 5 years. The final MCI model predicted individual risk of AD dementia in MCI patients with an AUC of 0.92 within 5 years. The models were also associated with longitudinal change of Mini-Mental State Examination (p < 0.001 for CN and MCI models). An Alzheimer's continuum model was developed which could predict the Alzheimer's continuum for individuals with normal AD biomarkers within 3 years with high accuracy (AUC = 0.91). CONCLUSIONS: The risk models were able to provide personalized risk for AD onset at each year after evaluation. The models may be useful for better prevention of AD.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».