Differentiating sporadic frontotemporal dementia from late-onset primary psychiatric disorders
Notice bibliographique
Résumé
Abstract Sporadic behavioural variant frontotemporal dementia (bvFTD) is often misdiagnosed as late-onset primary psychiatric disorder (PPD) due to overlapping symptoms and lack of biomarkers. We aimed to identify clinical features that distinguish sporadic bvFTD from PPD. Multi-centre baseline data were retrospectively retrieved and categorized into neuropsychological domains. Logistic regression models and receiver operating characteristic curves were conducted to determine discriminators. Data from 508 sporadic bvFTD and 152 PPD cases were included. Higher scores in cognitive screening [odds ratio (OR): 1.23], facial emotion processing (OR: 1.69), episodic memory (OR: 1.09), animal fluency (OR: 1.17), working memory (OR: 1.18), letter fluency (OR: 1.17) and depressive symptoms (OR: 7.41) were significantly associated with PPD (all Ps ≤ 0.010). Within a combined model, higher scores of letter fluency (OR: 1.47), cognitive screening (OR: 1.72) and lower attention (OR: 0.77) were significantly (all Ps ≤ 0.05) associated with PPD (area under the curve = 0.771). Neuropsychological measurements—letter fluency, cognitive screening and attention—can help distinguish sporadic bvFTD from late-onset PPD. Depressive symptoms and facial emotion processing emerged as potential discriminators, warranting further exploration.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,000 | 0,000 |
| 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 ».