Machine learning–enhanced screening funnel for clinical trials in Alzheimer's disease
Notice bibliographique
Résumé
INTRODUCTION: Alzheimer's disease (AD) clinical trials with therapeutic interventions require hundreds of subjects to be studied over many months/years due to variable and slow disease progression. This article presents a novel screening paradigm integrating disease progression models to improve trial efficiency by identifying appropriate candidates for early phase clinical studies. METHODS: A traditional screening funnel is enhanced using machine learning models, including 3D convolutional neural networks and ensemble models, which integrate neuroimaging, demographic, genetic, and clinical data. RESULTS: This approach predicts clinical progression (2-year Clinical Dementia Rating Sum of Boxes change > 1) with an area under the curve of 0.836. Incorporating it into trials (with maximized sensitivity/specificity optimization) could reduce the number of subjects required by 55%, shorten recruitment by 13 months, and reduce screening amyloid positron emission tomography scans by 72%. DISCUSSION: By reducing patient burden and shortening timelines in clinical trials, this enhanced screening funnel could accelerate the development of AD therapies. Highlights: An innovative screening funnel was developed to improve Alzheimer's disease clinical trial efficiency.The funnel incorporates machine learning (ML)-based disease progression models.The ML model identifies patients with progression rate optimal for clinical trials.Unsuitable patients would fail early in the funnel before burdensome imaging procedures.This screening funnel is customizable to specific study needs.
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 | 0,111 | 0,256 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».