Development of Simple Risk Scores for Prediction of Brain β-Amyloid and Tau Status in Older Adults With Mild Cognitive Impairment: A Machine Learning Approach
Notice bibliographique
Résumé
OBJECTIVES: The aim of this work is to use a machine learning framework to develop simple risk scores for predicting β-amyloid (Aβ) and tau positivity among individuals with mild cognitive impairment (MCI). METHODS: Data for 657 individuals with MCI from the Alzheimer's Disease Neuroimaging Initiative (ADNI) data set were used. A modified version of AutoScore, a machine learning-based software tool, was used to develop risk scores based on hierarchical combinations of predictor categories, including demographics, neuropsychological assessments, APOE4 status, and imaging biomarkers. RESULTS: The highest area under the receiver operating characteristic curve (AUC) for predicting Aβ positivity was 0.79, which was achieved by 2 separate models with predictors of age, Alzheimer's Disease Assessment Scale-Cognitive Subscale (ADAS-cog), APOE4 status, and either Trail Making Test Part B (TMT-B) or white matter hyperintensity. The best-performing model for tau positivity had an AUC of 0.91 using age, ADAS-13, and TMT-B scores, APOE4 information, abnormal hippocampal volume, and amyloid status as predictors. DISCUSSION: Simple integer-based risk scores using available data could be used for predicting Aβ and tau positivity in individuals with MCI. Models have the potential to improve clinical trials through improved screening of individuals.
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 | 0,007 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 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 ».