MétaCan
Menu
← Retour à la cohorte
Enregistrement W4406024346 · doi:10.1002/alz.084210

Overview and Application of Intrasubject Variability in ADRD Research

2024· review· en· W4406024346 sur OpenAlexaboutno aff
Michael Malek‐Ahmadi

Notice bibliographique

RevueAlzheimer s & Dementia · 2024
Typereview
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNormativeCognitionConceptualizationLongitudinal studyPsychologyNeuropsychologyCognitive psychologyComputer scienceMedicineArtificial intelligencePathologyNeuroscience

Résumé

récupéré en direct d'OpenAlex

Intrasubject variability is an important, but often overlooked, measure that has shown to be predictive of important clinical outcomes in ADRD research. Intrasubject variability is often quantified using the intrasubject standard deviation (ISD) that is derived from longitudinal measures or cross-sectional observations from similarly scaled variables. This talk will begin with an overview of ISD and its application in both longitudinal and cross-sectional analyses. For longitudinal analyses, ISD can be an important measure of normative performance variability on cognitive measures which can better inform clinicians on what normative trajectories for cognitive tests might be. An example using longitudinal data for the Montreal Cognitive Assessment (MoCA) will demonstrate how the ISD can be used quantify normative variability of longitudinal cognitive performance. The second part of this talk will discuss how ISD is used in cross-sectional analyses of neuropsychological data. Specifically, how ISD is used to characterize the concept of dispersion which quantifies the inconsistency of between-domain cognitive performance. Several studies have indicated that cognitive dispersion predicts incident cognitive decline and is associated with AD pathology which highlight the utility ISD may have in characterizing preclinical AD. An additional example using data from a complex motor task will show how the ISD of repeated task trials can differentiate cognitively unimpaired (CU), mild cognitive impairment (MCI) and AD cases. The conceptualization and application of ISD in this talk will set the stage for the other talks in this session that will demonstrate in greater detail how ISD can be used across the AD spectrum.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,028
score de la tête « metaresearch » (Gemma)0,032
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,146

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,032
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0070,004
Études des sciences et des technologies0,0010,002
Communication savante0,0060,004
Science ouverte0,0020,005
Intégrité de la recherche0,0050,007
Charge utile insuffisante (le modèle a refusé de juger)0,0090,005

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.

Tête enseignante Opus0,592
Tête enseignante GPT0,542
Écart entre enseignants0,050 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAlzheimer s & Dementia→Même sujetHealth Systems, Economic Evaluations, Quality of Life→Travaux en français237 207→