Brain metabolic imaging-based model identifies cognitive stability in prodromal Alzheimer’s disease
Notice bibliographique
Résumé
The recent approval of anti-amyloid pharmaceuticals for the treatment of Alzheimer's disease (AD) has created a pressing need for the ability to accurately identify optimal candidates for anti-amyloid therapy, specifically those with evidence for incipient cognitive decline, since patients with mild cognitive impairment (MCI) may remain stable for several years even with positive AD biomarkers. Using fluorodeoxyglucose PET and biomarker data from 594 ADNI patients, a neural network ensemble was trained to forecast cognition from MCI diagnostic baseline. Training data comprised PET studies of patients with biological AD. The ensemble discriminated between progressive and stable prodromal subjects (MCI with positive amyloid and tau) at baseline with 88.6% area-under-curve, 88.6% (39/44) accuracy, 73.7% (14/19) sensitivity and 100% (25/25) specificity in the test set. It also correctly classified all other test subjects (healthy or AD continuum subjects across the cognitive spectrum) with 86.4% accuracy (206/239), 77.4% sensitivity (33/42) and 88.23% (165/197) specificity. By identifying patients with prodromal AD who will not progress to dementia, our model could significantly reduce overall societal burden and cost if implemented as a screening tool. The model's high positive predictive value in the prodromal test set makes it a practical means for selecting candidates for anti-amyloid therapy and trials.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».