Stratifying dementia risk factors: A prediction model and hypothesis‐driven analysis
Notice bibliographique
Résumé
INTRODUCTION: Most older adults present multimorbidity, but dementia risk factors are typically analyzed individually. Direct methodological comparisons evaluating simultaneous multiple risk factors are essential to provide the realistic effects of multimorbidity. We aimed to compare hypothesis- and data-driven approaches for dementia risk stratification in a real-world cohort. METHODS: We analyzed 9606 participants from the National Alzheimer's Coordinating Center (NACC) Uniform Data Set (2005-2023) using machine learning with interpretability analysis and survival models to simultaneously evaluate 13 risk factors for incident dementia conversion. RESULTS: A total of 877 participants (9%) developed dementia over (mean ± SD, 6 ± 4.2) years of follow-up. Both approaches consistently identified four key predictors: age, depression, low education, and body mass index (protective). Convergent findings across methodologies demonstrated robust factor identification despite different analytical paradigms. DISCUSSION: In this direct methodological comparison, age, depression, and low education emerge as major dementia risk factors regardless of analytical approach. Convergent interpretability of these approaches support simultaneous multifactorial risk assessment in clinical practice. HIGHLIGHTS: Data- and hypothesis-driven approaches identified convergent key risk factors Age, depression, and low education are major risk factors for dementia Higher body mass index was unexpectedly protective against dementia conversion Multimorbidity requires simultaneous evaluation of multiple risk factors Real-world analysis reveals complex interactions between dementia risks.
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 | 0,057 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».