Solving the 'Goldilocks problem' in dementia clinical trials with multimodal AI
Notice bibliographique
Résumé
The development of effective therapeutics for Alzheimer's Disease and related dementias (ADRD) has been hindered by patient heterogeneity and the limitations of current diagnostic tools. New treatments have no chance of working if given to patients who cannot benefit from them. This perspective explores how advances in Artificial Intelligence (AI), particularly multimodal machine learning, can solve the 'Goldilocks problem' of identifying patients for inclusion in clinical trials and support precision treatment in real-world healthcare settings. We examine the challenges of patient stratification, grounded by a conceptual framework of identifying each person's stage and subtype of dementia. We review data from several clinical trials of Alzheimer's disease therapeutics, to explore how AI-guided patient stratification can improve trial outcomes, reduce costs and improve recruitment. Further, we discuss the integration of AI into clinical workflows, the importance of model interpretability and generalizability, and ethical imperative to address algorithmic bias. By combining AI with scientific insight, clinical expertise, and patient experience, we argue that intelligent analytics can accelerate the discovery and delivery of new diagnostics and therapeutics, ultimately transforming dementia care and improving outcomes for patients around the globe.
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 | 0,651 | 0,728 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,020 |
| Communication savante | 0,015 | 0,017 |
| Science ouverte | 0,006 | 0,010 |
| Intégrité de la recherche | 0,009 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».