Real-world brain imaging in a population-based cohort enables accurate markers for dementia
Notice bibliographique
Résumé
Abstract INTRODUCTION While a vast amount of MRI data are collected for healthcare delivery, generating real-world evidence (RWE) in Alzheimer’s and related diseases (ADRD) research is substantially limited by lack of methods and results showing how routine MRIs can be used for ADRD imaging studies. METHODS We compared three established ADRD biomarkers (total gray matter, hippocampal and ventricular volumes) in four groups (normal, subjective complaints, mild cognitive impairment, and dementia) between the general population of women born in 1932-1941 in the Kuopio region of eastern Finland (population-based OSTPRE cohort, N=14220) and a well-characterized research cohort (ADNI). RESULTS A total of 2434 brain MRIs for 1885 women were collected between 2003-2022 by the public healthcare provider covering all residents in the region. The established biomarkers were overall aligned between these cohorts. DISCUSSION Typical biomarkers extracted from real-world brain MRI scans collected over 20 years are suitable for generating RWE in ADRD research. Highlights Real-world brain MRI is applicable for generating evidence in ADRD research First study comparing a real-world MRI cohort with an established research cohort reference A methodological framework for RWE ADRD studies using routinely collected MRIs
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 | 0,025 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 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 ».