Predicting brain amyloid load with digital and blood-based biomarkers
Notice bibliographique
Résumé
BACKGROUND: With the recent approval of anti-β-amyloid (Aβ) treatment for Alzheimer's disease (AD), a demand has emerged for scalable, convenient and accurate estimations of brain Aβ burden for the detection of AD that would enable timely, accurate and reliable diagnosis in one's primary care physician's (PCPs) office as called for recently by World Health Organization (WHO). METHODS: MemTrax, a 2-minute online memory test, was selected as the digital biomarker of cognitive impairment, and blood-based biomarkers (BBMs) including Aβ42, Aβ40, P-tau181, GFAP and NfL were used to estimate AD-related metrics in different groups of elderly individuals (n = 349) for comparison with Aβ PET scans of brain Aβ burden. The correlations between MemTrax, MoCA, BBMs and brain Aβ burden, expressed in centiloid (CL) values, were analyzed for predicting CL value alone or in combinations using machine-learning (ML). RESULTS: Both MemTrax and the MoCA were able to differentiate Aβ status similarly. Integration of MemTrax and BBMs using ML, however, significantly improved the AUCs (over the same with MoCA) for differentiating Aβ status. MemTrax and p-Tau181/Aβ42 composite showed the strongest relationship with CL value among other BBMs. Most importantly, regression analyses of MemTrax and p-Tau181/Aβ42 aptly predicted CL values. CONCLUSION: The combination of MemTrax and BBMs provides an accurate, convenient, non-invasive, cost-effective and scalable way to estimate Aβ load, which provides an opportunity for mass screening and timely and accurate diagnosis of AD. Our findings could also facilitate more effective AD clinical management in the PCPs office worldwide for more equitable access to current standard of care.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».