Predictive value of the combined DTI-ALPS index and serum creatinine levels in mild cognitive impairment in Parkinson’s disease
Notice bibliographique
Résumé
Objective To identify independent risk factors for Parkinson disease mild cognitive impairment (PD-MCI) and develop a prediction model integrating clinical indicators, blood biomarker, and neuroimaging data, aiding in detection and intervention. Methods A retrospective study was conducted with 150 PD patients. The PD-MCI group (n = 64) and PD with normal cognition (PD-NC, n = 86) were identified using the Montreal Cognitive Assessment scale. Data on demographics, motor symptoms, cognitive function, quality of life, blood markers, and diffusion tensor imaging along perivascular spaces (DTI-ALPS) were collected. Univariate analysis identified significant variables, and multivariate logistic regression identified independent risk factors. A nomogram prediction model was developed using R software. Model performance was evaluated using Receiver Operating Characteristic (ROC) curves, bootstrap resampling calibration curves, and decision curve analysis (DCA). Results Significant differences between the groups were found in levodopa equivalent daily dose (LEDD), PD Quality of Life Questionnaire, creatinine, cystatin C, and ALPS index. Multivariate regression identified higher LEDD (OR = 1.01, 95%CI 1.00–1.03, p = 0.005) and creatinine levels (OR = 1.34, 95%CI 1.10–1.66, p = 0.005) as independent risk factors. The nomogram model demonstrated strong discriminatory ability (AUC = 0.864, 95%CI 0.807–0.922) and good calibration. DCA showed a significant net benefit within clinical threshold ranges. Conclusion This study developed a PD-MCI prediction model incorporating DTI-ALPS and clinical blood biomarkers. It confirmed that LEDD and creatinine levels are independent risk factors, with high clinical value for early screening and individualized treatment.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».