MétaCan
Menu
Retour à la cohorte
Enregistrement W4409325772 · doi:10.1016/j.eclinm.2025.103187

Qualitative and quantitative educational disparities and brain signatures in healthy aging and dementia across global settings

2025· article· en· W4409325772 sur OpenAlexaff
Raúl González-Gómez, Josephine Cruzat, Hernán Guillermo Hernández, Joaquín Migeot, Agustina Legaz, Hernando Santamaría‐García, Sol Fittipaldi, Marcelo Adrián Maito, Vicente Medel, Enzo Tagliazucchi, Pablo Barttfeld, Daniel Franco-O’Byrne, Ana María Castro Laguardia, Patricio A Borquez, José Alberto Ávila‐Funes, María Isabel Behrens, Nilton Custodio, Temitope Farombi, Adolfo M. García, Indira García‐Cordero, Maria Eugenia Godoy, Cecilia González Campo, Kun Hu, Brian Lawlor, Diana Matallana, Bruce L. Miller, Maira Okada de Oliveira, Stefanie Danielle Piña‐Escudero, Elisa de Paula França Resende, Pablo Reyes, Leonel Tadao Takada, Görsev Yener, Carlos Coronel‐Oliveros, Agustín Ibáñez

Notice bibliographique

RevueEClinicalMedicine · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueDementia and Cognitive Impairment Research
Établissements canadiensOccupational Cancer Research CentreUniversity of Toronto
Organismes subventionnairesFondo de Financiamiento de Centros de Investigación en Áreas PrioritariasFondo de Fomento al Desarrollo Científico y TecnológicoNational Institute on AgingFogarty International CenterAgencia Nacional de Promoción Científica y TecnológicaFondo Nacional de Desarrollo Científico y TecnológicoAgencia Nacional de Investigación y DesarrolloRainwater Charitable FoundationNational Institutes of HealthAlzheimer's Association
Mots-clésMedicineDementiaGerontologyPathologyDisease

Résumé

récupéré en direct d'OpenAlex

Background While education is crucial for brain health, evidence mainly relies on individual measures of years of education (YoE), neglecting education quality (EQ). The effect of YoE and EQ on aging and dementia has not been compared. Methods We conducted a cross-sectional assessment of the effect of EQ and YoE on brain health in 7533 subjects from 20 countries, including healthy controls (HCs), Alzheimer's disease (AD), and frontotemporal lobar degeneration (FTLD). EQ was based on country-level quality indicators provided by the programme for international student assessment (PISA). After applying neuroimage harmonization, we examined its effect, along with YoE, on gray matter volume and functional connectivity. Regression models were adjusted for age, sex, and cognition, controlling for multiple comparisons. The influence of image quality was assessed through sensitivity analysis. Data collection was conducted between June 1 and October 30, 2024. Findings Less EQ and YoE were associated with brain alterations across groups. However, EQ had a stronger influence, mainly targeting the critical areas of each condition. At the whole-brain level, EQ influenced volume (HCs: Δmean = 2·0 [1·9–2·0] × 10 −2 , p < 10 −5 ; AD: Δmean = 0·1 [−0·0 to 0·3] × 10 −2 , p = 0·18; FTLD: Δmean = 3·5 [3·0–4·0] × 10 −2 , p < 10 −5 ; all with 95% confidence intervals) and networks (HCs: Δmean = 13·5 [13·2–13·7] × 10 −2 , p < 10 −5 ; AD: Δmean = 5·9 [5·2–6·7] × 10 −2 , p < 10 −5 ; FTLD: Δmean = 13·2 [11·2–13·7] × 10 −2 , p < 10 −5 ) 1·3 to 7·0 times more than YoE. These effects remain robust despite variations in income and socioeconomic factors at country and individual levels. Interpretation The results support the need to incorporate education quality into studying and improving brain health, underscoring the importance of country-level measures. Funding Multi-partner consortium to expand dementia research in Latin America (ReDLat).

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,161
Score d'incertitude au seuil0,515

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,514
Écart entre enseignants0,472 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations17
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEClinicalMedicineMême sujetDementia and Cognitive Impairment ResearchTravaux en français237 207