Machine-learning derived MRI-based atrophy biomarker predicts long-term cognitive decline in stroke or transient ischemic attack
Notice bibliographique
Résumé
Alzheimer's disease-resemblance atrophy index (AD-RAI) is a machine-learning derived MRI-based brain atrophy biomarker that is valid in predicting cognitive decline in subjects with AD. We investigated the performance of AD-RAI in predicting long-term cognitive decline in subjects with stroke or transient ischemic attack (TIA). We recruited consecutive dementia-free stroke/TIA subjects who had brain MRI at baseline (i.e., within 3-6 months after the index event) and cognitive data at both baseline and 3 years. We defined cognitive decline as an increase in clinical dementia rating scale from 0 to 0.5 or above or from 0.5 to 1 or above at 3 years when compared with baseline. We investigated the association between AD-RAI, traditional brain atrophy biomarkers (hippocampus volume [HV], hippocampal fraction [HF], total brain volume [TBV], TBV/intracranial volume [ICV] ratio, ventricular-brain-ratio, presence of medial temporal lobe atrophy [MTLA]), and cerebral small vessel disease biomarkers (white matter hyperintensity [WMH]) volume, WMHV/ICV ratio presence of confluent WMH, presence of >/=3 lacunes) with cognitive decline. Of 231 participants (mean age 66.0 ± 10.9, 124 [53.7] male), 55(23.8) had cognitive decline at 3 years. Among all the imaging biomarkers, AD-RAI and HV were associated with cognitive decline in univariate regression. Such a relationship was still significant with AD-RAI after adjusted for age, gender, and education (aOR [95%CI] 3.900 [1.221-12.458]). Among all imaging biomarkers, only AD-RAI was associated with slope of Montreal cognitive assessment (MoCA) after adjusted to age, gender, education (β(SE) −0.742[0.242], p=0.002). AD-RAI predicted long term cognitive decline in subjects with stroke/TIA.
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 | 0,000 | 0,000 |
| 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) | 0,003 | 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 ».