Identifying frailty‐related clusters of Alzheimer’s and Vascular dementia: A multi‐modal data approach
Notice bibliographique
Résumé
Abstract Background The proportion of people living with dementia (PLWD) is increasing due to aging global populations. Frailty is a complex, multifactorial, and age‐related state of increased vulnerability commonly co‐occurring with Alzheimer’s disease (AD) and vascular dementia (VaD). Variability in frailty levels of PLWD motivates deeper investigation into dementia’s presenting characteristics. Machine learning techniques applied to large medical datasets can identify characterize disease phenotypes. Therefore, the aim of this study is to use unsupervised machine learning to discover frailty‐related clusters in AD and VaD. Method We will use data from the United Kingdom Biobank (UKBB), a large‐scale prospective cohort database which includes more than 500,000 participants aged 40‐69 years at baseline. The data include electronic health records, brain magnetic resonance imaging, polygenic risk scores, and frailty index scores. We will select features for clustering using principal component analysis. Clustering algorithms will include k‐means, affinity propagation, and latent class analysis. After cluster characterization, we will evaluate the association between clusters and prevalent AD (n = 2,634) and VaD (n = 1,664) using logistic regression models. Regression models will be stratified by sex and adjusted for age. Receiver‐operating curve will be plotted, and area‐under the curve will be compared using C‐statistics. This study is supported by the Canadian Consortium on Neurodegeneration in Aging Trainee Synapse Project Funds. Our data application has been approved by UKBB. Result We expect that the clustering algorithms will reveal several clusters of similar PLWD and allow evaluations based on shared patterns of regional brain atrophy, the degree of frailty, and polygenic risk. In addition, we also expect that clusters characterized by high frailty levels will be associated with prevalent AD and VaD. Conclusion Frailty is an important factor in the clinical evaluation of PLWD. The use of unsupervised machine learning techniques may reveal distinct high‐risk clusters that are related to prevalent AD and VaD. This work may improve early identification of PLWD and aid in the development of personalized care and therapy for people at risk of AD and VaD.
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».