Association of white matter hyperintensity with systemic inflammation markers and cognitive assessments: a cross-sectional study via SHAP analysis
Notice bibliographique
Résumé
Background: White matter hyperintensity (WMH), a common neuroimaging feature in the older adults, has not been systematically elucidated regarding its association with cognitive function and systemic inflammation. Aim: To develop and validate a clinical model for higher WMH burden integrating MoCA and CBC-derived inflammatory markers, and to quantify their independent and joint associations with WMH severity. Methods: This study retrospectively collected data from patients with WMH at the First Affiliated Hospital of Baotou Medical College (December 2023-December 2024). We used univariate and multivariate logistic regression analyses to identify WMH-related variables. Then, we constructed an artificial neural network model and performed 10-fold cross-validation for internal validation and model performance comparison. The Shapley Additive Explanations (SHAP) method was employed to evaluate both models. Results: < 0.01). Multivariate logistic regression analysis identified age, hypertension, high-density lipoprotein (HDL), previous cerebrovascular disease, the systemic inflammation response index (SIRI), and the Montreal Cognitive Assessment (MoCA) score as independent predictors of WMH burden. Ten-fold cross-validation showed that the set neural network model performed as well as the logistic regression model (AUC = 0.81). SHAP-based visual analysis identified age, MoCA score, and hypertension as key driving factors. Conclusion: Age, hypertension, previous cerebrovascular disease, HDL, SIRI, and MoCA score are independent risk factors for moderate to severe WMH occurred. The model integrating MoCA and inflammatory markers accurately predicts moderate to Severe WMH. This study offers a multidimensional assessment framework for WMH risk stratification and early intervention.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».