Early Detection of Alzheimer’s Disease: Biomarkers and Cognitive Screening Tools
Notice bibliographique
Résumé
Early detection of Alzheimer’s disease (AD) is essential for timely intervention, disease management, and improved quality of life. This study investigates the diagnostic accuracy of combining cognitive screening tools—Mini-Mental State Examination (MMSE) and Montreal Cognitive Assessment (MoCA)—with blood-based biomarkers, including amyloid-beta 42/40 ratio (Aβ42/40) and phosphorylated tau (p-tau181), for early identification of AD. A total of 180 participants categorized as cognitively normal (CN), mild cognitive impairment (MCI), or early-stage AD were assessed. Descriptive and inferential statistics, including ANOVA, Pearson correlation, t-tests, multiple linear regression, and ROC curve analysis, were conducted using IBM SPSS and GraphPad Prism. Results revealed significant differences across diagnostic groups in both cognitive scores and biomarker levels. MoCA and p-tau181 demonstrated the highest diagnostic accuracy with AUC values of 0.947 and 0.936, respectively. Regression analysis confirmed all four indicators as significant predictors of AD diagnosis (p < 0.001). Strong correlations were observed between cognitive decline and biomarker abnormalities. These findings support a multidimensional approach that integrates cognitive and biological assessments for early Alzheimer’s detection. The use of non-invasive, scalable biomarker testing alongside cognitive tools enhances diagnostic precision and holds significant potential for implementation in clinical and community settings.
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 ».