Decoding Precision Aging: The Intersection of Cognitive Decline, Frailty, and Hormonal Biomarkers
Notice bibliographique
Résumé
INTRODUCTION: Cognitive frailty, characterized by the coexistence of cognitive impairment and physical frailty, is a significant predictor of cognitive decline. However, few studies integrate both cognitive and physical assessments alongside hormonal markers, such as cortisol, that may influence frailty and cognitive function. To address this gap, our study combines noninvasive physical, cognitive, and cortisol markers to assess frailty in aging adults. METHODS: Data were collected from four sites as part of the Healthy Minds for Life (HML) longitudinal cohort, a project within the Precision Aging Network. Baseline data included cognitive evaluation using the Montreal Cognitive Assessment (MoCA); frailty assessment using a validated 20-s elbow flexion-extension test analyzed by AI under single-task (ST) and dual-task (DT) conditions; cortisol measurement in eccrine sweat samples via direct analysis in real-time mass spectrometry (DART-MS); and demographic information. RESULTS: Of 202 participants completing all assessments, 60 were identified with mild cognitive impairment (MCI). The dual-task frailty index (FI) derived from the 20-s test significantly differentiated individuals with MCI from cognitively robust participants and correlated strongly with MoCA scores (p = 0.015). The dual-task FI showed superior model fit compared to the single-task FI when predicting cognitive function. A significant correlation between the dual-task FI and cortisol by age interaction was observed (p = 0.0042) highlighting the potential impact of cortisol to moderate the relationship between frailty and age in an otherwise healthy aging population. By contrast, no significant correlation was found between dual-task FI and aging outside of the presence of cortisol (p = 0.116) in this study. CONCLUSIONS: This study highlights practical and efficient methods for assessing frailty emphasizing the value of DT testing and cortisol measures in identifying individuals at higher risk for cognitive and physical decline. The findings underscore the importance of integrating hormonal markers with cognitive and physical assessments to enhance risk stratification and intervention planning in aging populations.
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 | 0,001 |
| 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 ».