Overview of Alzheimer's Disease Neuroimaging Initiative and future clinical trials
Notice bibliographique
Résumé
The overall goal of the Alzheimer's Disease Neuroimaging Initiative (ADNI) is to optimize and validate biomarkers for clinical trials while sharing all data and biofluid samples with the global scientific community. ADNI has been instrumental in standardizing and validating amyloid beta (Aβ) and tau positron emission tomography (PET) imaging. ADNI data were used for the US Food and Drug Administration (FDA) approval of the Fujirebio and Roche Elecsys cerebrospinal fluid diagnostic tests. Additionally, ADNI provided data for the trials of the FDA-approved treatments aducanumab, lecanemab, and donanemab. More than 6000 scientific papers have been published using ADNI data, reflecting ADNI's promotion of open science and data sharing. Despite its enormous success, ADNI has some limitations, particularly in generalizing its data and findings to the entire US/Canadian population. This introduction provides a historical overview of ADNI and highlights its significant accomplishments and future vision to pioneer "the clinical trial of the future" focusing on demographic inclusivity. HIGHLIGHTS: The Alzheimer's Disease Neuroimaging Initiative (ADNI) introduced a novel model for public-private partnerships and data sharing. It successfully validated amyloid and Tau PET imaging, as well as CSF and plasma biomarkers, for diagnosing Alzheimer's disease. ADNI generated and disseminated vital data for designing 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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
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 ».