Characterizing the clinical heterogeneity of early symptomatic Alzheimer’s disease: a data-driven machine learning approach
Notice bibliographique
Résumé
Introduction: Alzheimer's disease (AD) is highly heterogeneous, with substantial individual variabilities in clinical progression and neurobiology. Amyloid deposition has been thought to drive cognitive decline and thus a major contributor to the variations in cognitive deterioration in AD. However, the clinical heterogeneity of patients with early symptomatic AD (mild cognitive impairment or mild dementia due to AD) already with evidence of amyloid abnormality in the brain is still unknown. Methods: = 421; age = 73±7; years of education = 16 ± 3; percentage of female gender = 43%; distribution of APOE4 carriers = 68%). A non-parametric k-means longitudinal clustering analysis in the context of the ADAS-Cog-13 data was performed to identify cognitive subtypes. Results: We found a highly variable profile of cognitive decline among patients with early AD and identified 4 clusters characterized by distinct rates of cognitive progression. Among the groups there were significant differences in the magnitude of rates of changes in other cognitive and functional outcomes, clinical progression from mild cognitive impairment to dementia, and changes in markers presumed to reflect neurodegeneration and neuronal injury. A nomogram based on a simplified logistic regression model predicted steep cognitive trajectory with an AUC of 0.912 (95% CI: 0.88 - 0.94). Simulation of clinical trials suggested that the incorporation of the nomogram into enrichment strategies would reduce the required sample sizes from 926.8 (95% CI: 822.6 - 1057.5) to 400.9 (95% CI: 306.9 - 516.8). Discussion: Our findings show usefulness in the stratification of patients in early AD and may thus increase the chances of finding a treatment for future AD clinical trials.
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 | 0,016 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».