Enhancing Alzheimer Disease Detection Using Neuropsychiatric Symptoms: The Role of Mild Behavioural Impairment in the Revised NIA-AA Research Framework
Notice bibliographique
Résumé
BackgroundAs the prevalence of Alzheimer disease (AD) rises, early identification of at-risk individuals is essential for effective intervention. Mild behavioral impairment (MBI), which captures emergent and persistent neuropsychiatric symptoms (NPS) in later life, may enhance early detection of AD; however, its associations with 2024 NIA-AA Core 1 biomarkers remain unexplored. We investigated associations between MBI and cerebrospinal fluid (CSF) amyloid β-42 (Aβ42) and phosphorylated tau-181 (p-tau181).MethodBaseline data from 1327 dementia-free Alzheimer's Disease Neuroimaging Initiative (ADNI) participants were analyzed. Participants were classified as MBI, non-MBI NPS, or no NPS. Gaussian mixture modeling defined biomarker positivity. Logistic and multinomial logistic regressions modeled associations between NPS status and biomarker positivity or biomarker profiles, adjusting for age, sex, education, and cognition.ResultsMBI was associated with Aβ42+ (aOR = 2.26; 95% CI = 1.71-2.99), p-tau181+ (aOR = 1.72; 95% CI = 1.30-2.28), and AD continuum profile (aOR = 2.33; 95% CI = 1.73-3.14), but not with non-AD pathology. Non-MBI NPS showed no associations.ConclusionMBI may serve as a behavioral marker of AD pathology.
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 | 0,031 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».