A machine learning approach to predict amyloid and tau positivity using clinical features
Notice bibliographique
Résumé
Abstract Background Screen failure due to amyloid negativity is yet a problem in clinical trials for anti‐amyloid drugs. In this context, clinical characteristics of patients presenting with cognitive decline may decrease the screen failure ratio by increasing the odds of selecting individuals with brain amyloid pathology. Herein, we aimed at estimating amyloid and tau positivity in individuals using clinical variables in a machine learning model of prediction. Method We selected 1694 participants with amyloid 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 927 men and 767 women were included with mean MOCA 25.7 ± 3.8 scores (Table). The population consisted of 1276 CN, 290 MCI and 128 dementia individuals (1357 A‐T‐ and 337 A+T+). The receiver‐operator characteristic (ROC) analysis showed that the area under the curve (AUC) was 0.86 for discriminating A‐T‐ vs. A⁺T⁺, with 0.82 as sensitivity, specificity as 0.90 and accuracy as 0.88. The top 3 most impactful features were found to be age, diagnosis and MOCA score through a SHAP value analysis (Figure). Conclusion Predicting amyloid and tau positivity with clinically collectible variables may improve selection of individuals for anti‐amyloid trials. A two‐step workflow using this approach may significantly reduce the costs of AD trials. The following studies may incorporate an individualized calculator using clinical variables to estimate amyloid and tau positivity.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 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 | 0,001 |
| 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 ».