Serum miRNA Detection-based Alzheimer’s disease prediction regression model
Notice bibliographique
Résumé
With the deepening of Alzheimer’s disease (AD) research, serum miRNA has attracted widespread attention as a potential biomarker. Traditional diagnostic methods for AD have certain limitations, such as reliance on clinical symptoms and neuroimaging examinations, which lack sensitivity (Sen) and specificity (Spe) for early diagnosis. Therefore, this article aimed to explore the expression levels of serum miRNA in AD patients and its clinical significance, to construct an AD prediction regression model based on serum miRNA detection. This article found no statistical differences in gender, underlying diseases, age, triglycerides (TG), total cholesterol (TC), low-density lipoprotein cholesterol (LDL-C), and high-density lipoprotein cholesterol (HDL-C) between the control group (healthy individuals) and the AD group, but obvious distinctions were observed in Mini-Mental State Examination (MMSE), Montreal Cognitive Assessment (MoCA), Alzheimer’s Disease Assessment Scale-cognitive part (ADAS-cog), and Activities of Daily Living (ADL) scores. Further analysis revealed obvious distinctions in miR-31, miR-93, miR-124-3p, miR-143, miR-146a, and miR-218-5p between the two groups, with miR-124-3p showing the best diagnostic effect, followed by miR-218-5p. Based on these findings, this article constructed an AD prediction regression model, and the experimental results indicated that the model has high Sen, Spe, and accuracy (Acc) in the early diagnosis of AD, reducing the error rate of subsequent diagnoses and providing new ideas and methods for the early diagnosis 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 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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».