Are Digital Markers of Everyday Driving Comparable to Fluid Biomarkers in Identifying Preclinical Alzheimer Disease?
Notice bibliographique
Résumé
Abstract Background Preclinical Alzheimer’s disease (AD) may have a subtle functional signature reflected in changes in everyday driving behaviour. Driving has the potential to serve as a digital marker for AD when captured continuously and characterized accurately. This study directly compares the diagnostic performance of digital markers of everyday driving, cerebrospinal fluid (CSF), and blood biomarkers in detecting amyloid deposition in AD, using amyloid positron emission tomography (PET) as the “gold standard”. Method Participants were enrolled in a longitudinal study on driving and preclinical AD biomarkers at Washington University School of Medicine. The Driving Real‐World In‐Vehicle Evaluation System (DRIVES) Project uses in‐vehicle GPS dataloggers to collect daily driving among cognitive normal drivers. This study included 121 drivers (aged 65+) with complete blood, CSF, and PET biomarker data. We employed three artificial neural network (ANN) to examine the relationship between everyday driving and PET‐amyloid status. The first model solely included driving features. The second ANN model (i.e., “non‐intrusive” model) added age and education level as additional features. The third model included all of the previous features plus APOE e4 status. Plasma Aß42/Aß40<0.1013 and CSF Aß42/Aß40<0.0673 were used to detect PET‐amyloid positivity. To compare the performance of the ANN models and the CSF and plasma biomarkers, area under the receiver operating curve (AUC) from 5‐fold cross‐validation were calculated. Result Individuals who were PET‐amyloid positive (n = 46) were more likely to be older (p<.05) and carry an APOE e4 allele (p<.0001). The two groups did not differ in sex or education. In predicting PET‐amyloid positivity, the five most important driving features were the number of left turns per mile, 80th percentile of jerk, minimum vehicle speed, speed variability, and the number of speeding incidents. The CSF biomarker achieved the highest performance (AUC = 0.96±0.04), followed by the model with driving, age, education and APOE e4 status (AUC = 0.88±0.05). The model with only driving features achieved lower performance (AUC = 0.74±0.07), while the non‐intrusive ANN model achieved comparable performance to the plasma biomarker (AUC: 0.82±0.11vs.0.83±0.12). Conclusion Digital markers of everyday driving along with age and education level offer a non‐intrusive and scalable diagnostic tool for preclinical AD that provides ongoing assessments.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| 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 ».