The protective role of education in white matter lesions and cognitive decline
Notice bibliographique
Résumé
• Higher education linked to reduced WMH burden in cognitive decline. • Significant interaction between education and WMH load found. • Long-term study shows education’s protective effect against MCI. • Cognitive reserve delays cognitive impairment onset. • Highlights value of education in preserving cognitive health. Cognitive reserve, often reflected by education, may protect against cognitive decline linked to brain pathology. White matter lesions (WMLs), common in aging, are associated with the progression from healthy cognitive status (HC) to mild cognitive impairment (MCI). This study explores education’s role, as a proxy for cognitive reserve, in moderating the relationship between WML burden and the HC to MCI transition. Data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) were analyzed for 153 cognitively healthy adults. Participants were divided into two groups: one (n = 85) remained cognitively healthy for at least seven years, while the other (n = 68) progressed to MCI. WML volumes were assessed using MRI scans and analyzed with linear regression models including age, sex, and an intraction term between group status and education to examine moderation effects. Both WM-hyper and WM-hypo showed a similar pattern across analyses. A significant interaction between group and education for both WML types (WM-hyper: β = -0.097, p = 0.047; WM-hypo: β = -0.070, p = 0.037) was found, suggesting that among individuals who progressed to MCI, higher education was associated with lower WML burden.This suggest that education plays a protective role against white matter pathology among individuals at risk for cognitive impairment.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».