Predicting conversion in cognitively normal and mild cognitive impairment individuals with machine learning: Is the CSF status still relevant?
Notice bibliographique
Résumé
INTRODUCTION: Machine learning (ML) helps diagnose the mild cognitive impairment-Alzheimer's disease (MCI-AD) spectrum. However, ML is fed with data unavailable in standard clinical practice. Thus, we tested a novel multi-step ML approach to predict cognitive worsening. METHODS: We selected cognitively normal and MCI participants from the Alzheimer's Disease Neuroimaging Initiative dataset and categorized them on total tau/amyloid beta 1-42 ratios. ML was applied to predict the 3-year conversion with standard clinical data (SCD), assess the model's accuracy, and identify the role of cerebrospinal fluid (CSF) biomarkers in this approach. Shapley Additive Explanations (SHAP) analysis was carried out to explore the automated decisional process. RESULTS: The model achieved 84% accuracy across the entire cohort, 86% in patients with negative CSF, and 88% in individuals with AD-like CSF. SHAP analysis identified differences between CSF-positive and -negative patients in predictors of conversion and cut-offs. CONCLUSIONS: The approach yielded good prediction accuracy using SCD. However, CSF-based categorizations are needed to improve predictive accuracy. HIGHLIGHTS: Machine learning algorithms can predict cognitive decline with standard and routinely used clinical data. Classification according to cerebrospinal fluid biomarkers enhances prediction accuracy. Different cut-offs could be applied to neuropsychological tests to predict conversion.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».