Bayesian integration of longitudinal and survival outcomes in Alzheimer's disease prediction
Notice bibliographique
Résumé
INTRODUCTION: Accurate prediction of Alzheimer's disease (AD) dementia onset and progression to mild cognitive impairment (MCI) is crucial for early intervention and clinical trial design. This study presents a predictive framework leveraging Bayesian model averaging (BMA) with a multivariate functional mixed model (MFMM) to integrate multivariate longitudinal outcomes and survival data. METHODS: The training cohort included 1012 participants from the Alzheimer's Disease Neuroimaging Initiative (ADNI). The validation cohort comprised 2087 participants from the National Alzheimer's Coordinating Center (NACC). BMA methods, including stacking and pseudo-BMA+, aggregated predictions across candidate models to enhance accuracy and robustness. Predictive performance was evaluated using the C-index, a measure of discrimination. RESULTS: Compared to the composite model, BMA improved prediction accuracy. The C-index was 0.777 (stacking) and 0.771 (pseudo-BMA+) in ADNI and 0.743 and 0.738 in NACC. DISCUSSION: This framework offers a robust tool for personalized medicine, enabling accurate predictions and enhanced generalizability across diverse populations. HIGHLIGHTS: We introduced a novel joint modeling framework integrating multivariate longitudinal outcomes (Mini-Mental State Examination and Clinical Dementia Rating Sum of Boxes) with survival data to predict Alzheimer's disease dementia onset and progression. We validated the framework across complementary datasets: Alzheimer's Disease Neuroimaging Initiative (training) and National Alzheimer's Coordinating Center (NACC; validation), with NACC providing a demographically diverse population to assess generalizability. The model enhanced predictive accuracy using Bayesian model averaging, which synthesizes insights across multiple models to reduce uncertainty and improve robustness. The model demonstrated consistent and clinically relevant performance, supporting its applicability for early intervention, precision medicine, and clinical trial design.
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 | 0,019 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».