The association of retinal age gap with schizophrenia: a cross-sectional analysis
Notice bibliographique
Résumé
Schizophrenia, a chronic neuropsychiatric disorder increasingly recognized as a multisystemic disease, is associated with accelerated brain ageing. Using deep learning, we investigated the retina, as a window into the central nervous system, as a surrogate of biological ageing in individuals with schizophrenia. This cross-sectional study was nested within AlzEye, a retrospective cohort of individuals aged ≥40 years attending Moorfields Eye Hospital (2008-2018). Retinal age was predicted from color retinal photographs using a convolutional neural network. The difference between predicted retinal age and chronological age, termed the retinal age gap, was estimated in all individuals. Associations between schizophrenia and retinal age gap were assessed using adjusted linear mixed-effects models. From a cohort of 98,629, 214 individuals had schizophrenia. They were slightly younger than unaffected (61.6 +/- 12.1 vs 64.5 +/- 13.5 years) and more likely to have hypertension (82% vs 47%) and diabetes mellitus (72% vs 27%). Individuals with schizophrenia had a significantly greater retinal age gap (0.76 years, 95% CI: 0.03, 1.49, p=0.04) when adjusting for age, sex, ethnicity, and socioeconomic status. When adjusting for hypertension and diabetes mellitus, there was no significant difference in retinal age gap between groups (0.20, 95% CI: -0.53, 0.93). In this ethnically and socioeconomically diverse urban population, individuals with schizophrenia had an increased retinal age gap. This was attributable to the increased prevalence of hypertension and diabetes mellitus implicating medical comorbidity, which is modifiable, as the driver of accelerated central nervous system ageing.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».