Identifiability-Guided Assessment of Digital Twins in Alzheimer’s Disease Clinical Research and Care
Notice bibliographique
Résumé
Digital twins - personalized, data-driven computational models - are emerging as a powerful paradigm for representing and predicting disease trajectories at the individual level. These models have the potential to support diagnosis, monitor disease evolution, and evaluate therapeutic interventions in virtual settings in the context of clinical trials and patient care. Rigorous model assessment is thus critical for its implementation, but medical data are often sparse, noisy, and vary significantly across individuals, making it challenging to determine whether a digital twin optimized on such data is valid. In such settings, identifiability analysis becomes essential for evaluating whether model parameters can be reliably estimated and interpreted. To address this, we investigate how identifiability can support the clinical application of a computational causal digital twin model for Alzheimer's Disease (AD), where data sparsity and variability are particularly pronounced. Our results show that the magnitude and distribution of biomarker data influence the parameter practical identifiability, and that constraints on the model structure and parameters can significantly affect identifiability. We also observe differences in identifiability across diagnostic groups, with several parameters showing significantly different values between individuals with AD, mild cognitive impairment (MCI), and cognitively normal (CN) subjects. Uncertainty quantification for identifiable parameters and their corresponding model trajectories provides visual insight into variability in disease progression and reveals mild trends related to biomarker data spread. This study represents a first step toward incorporating identifiability techniques into clinical digital twin frameworks, using a data-driven, interpretable example based on a previously published AD model.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».