A machine learning approach to predict tau positivity using clinical features in amyloid‐positive individuals
Notice bibliographique
Résumé
Abstract Background Anti‐amyloid therapy appears to have an increased effect on reducing cognitive decline in amyloid‐ and tau‐positive individuals. However, clinical trials inclusion criteria require solely amyloid positivity. Herein, we developed a machine‐learning prediction model to identify tau positivity in amyloid‐positive individuals using clinical variables. Method We selected 1191 amyloid‐positive participants and tau status from ADNI, TRIAD, PPMI databases. Commonly shared clinical features selected between datasets were age, total MOCA scores, clinical diagnosis, sex, education, BMI, heart disease, stroke, hyperlipidemia and diabetes. Amyloid positivity was defined by amyloid‐PET (PIB‐PET, FBB‐PET or AZD4694‐PET) or CSF AB42 and Tau positivity defined by Tau‐PET (MK6240‐PET or AV1451‐PET) or CSF p‐tau181. The dataset was split into training (49%), validation (21%), and testing datasets (30%). A XGBoost model was tuned, and then used to predict the tau status outcome in the testing dataset. Result A total of 647 men and 544 women were included with mean age 66.1 ± 10.4 (mean ± SD) years, MOCA 25.1 ± 4.1 scores and education 16.1 ± 3.2 years (Table). The population consisted of 794 controls, 271 MCI and 126 dementia individuals. Tau status was negative for 854 individuals and positive for 337. The receiver‐operator characteristic (ROC) analysis showed that the area under the curve (AUC) was 0.81 for discriminating tau‐negative vs. tau‐positive, with 0.76 as sensitivity, specificity as 0.86, and accuracy as 0.83. The top 3 most impactful features were found to be age, diagnosis‐CN and MOCA score through a SHAP value analysis (Figure). Conclusion Predicting tau positivity with clinical and cognitive variables may improve the selection of individuals for AD trials. A two‐step workflow using this approach may significantly reduce the need for tau‐PET exams in trials by screening individuals using clinical variables. The following steps should include adding more individuals and other clinical variables through different cohorts to optimize the model applicability and test their performance in outcomes of 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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».