Enhancing the validity of CAIDE dementia risk scores with resting heart rate and machine learning: An analysis from the National Alzheimer's Coordinating Center across all races/ethnicities
Notice bibliographique
Résumé
INTRODUCTION: The clinical utility of dementia prognostic scores has limited validity across diverse populations. This study aimed to enhance the Cardiovascular Risk Factors, Aging and Dementia (CAIDE) model by incorporating resting heart rate (RHR) using a machine learning method across a diverse population. METHODS: We developed CAIDE and CAIDE-RHR models using a random forest algorithm in the National Alzheimer's Coordinating Center (NACC) dataset. Model performances were assessed using area under the receiver-operating characteristic curve (AUC), Matthew's correlation coefficient (MCC), and the Brier score. RESULTS: Incorporating RHR into the CAIDE model significantly improved predictive accuracy across Black African, Asian, White, and Native Hawaiian populations (mean AUC range: 0.80-0.91). However, this improvement was not observed in the American Indian population, where the AUC decreased from 0.87 to 0.84. DISCUSSION: Our findings highlight significant ethnic differences in dementia risk prediction models. These results underscore the need for validating and tailoring dementia risk scores to ensure applicability across diverse races. HIGHLIGHTS: Incorporating resting heart rate (RHR) into the Cardiovascular Risk Factors, Aging, and Dementia (CAIDE) model significantly improves its predictive accuracy for dementia risk across diverse populations, offering a novel addition to dementia risk models. The application of the machine learning technique enhances dementia risk prediction by capturing complex, non-linear relationships among variables. The improved model enables more precise early identification of individuals at risk of cognitive decline, supporting preventive strategies in dementia care. Resting heart rate, a simple and non-invasive cardiovascular measure, is demonstrated to be a valuable predictor for dementia risk, making it practical for clinical application.
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 | 0,017 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».