Clinical validation of new alzheimer disease diagnosis tools based on plasma p-Tau217
Notice bibliographique
Résumé
Nowadays, there is an unmet need for reliable and minimally-invasive diagnosis tools capable of detecting Alzheimer's disease at early stages. Such tools could significantly reduce the reliance on confirmatory tests that are invasive and costly, such as cerebrospinal fluid (CSF) biomarkers and neuroimaging. The aim of this study is to validate previously developed diagnosis tools (multivariate models and plasma p-Tau217 levels) in three independents cohorts. For this, a cohort was obtained from the Alzheimer's Disease Neuroimaging Initiative (ADNI) including some variables (age, Apolipoprotein E (ApoE) genotype, plasma p-Tau217, CSF biomarkers) (n = 113); and two cohorts from cognitive disorders units (Hospital Universitari i Politècnic La Fe (HUiPLaFe, n = 163), Hospital Doctor Peset (n = 31)), whose plasma samples were analysed to determine plasma p-Tau217, and to evaluate the previous diagnosis tools performance. For the cohort from HUiPLaFe, the multivariate model (plasma p-Tau217, age, ApoE genotype) showed a sensitivity of 94.9% and a specificity of 88.2%; for the cohort from Hospital Doctor Peset, the sensitivity was 100% and specificity 80%; for the ADNI cohort, sensitivity was 89.5% and specificity 39.5%. Regarding the plasma p-Tau217 levels, the results were satisfactory for the cognitive disorders units; while ADNI cohort showed very low specificity. In conclusion, the multivariate model was clinically validated in independent cohorts from clinical units, representing its first step for implementation.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».