A Stratified Machine Learning Evaluation of Risk Factors of Dementia Conversion
Notice bibliographique
Résumé
BACKGROUND: Understanding the complex interplay of risk factors for dementia is essential for developing effective prevention strategies. Older adults present a high frequency of multimorbidity, though risk factors of dementia are usually evaluated individually in this population. In this study, we aim to simultaneously identify modifiable and non-modifiable risk factors in predicting dementia conversion. METHOD: Real-world longitudinal data from the National Alzheimer's Coordinating Center (NACC), spanning 2005 to 2023 across 46 Alzheimer's Disease Research Centers (ADRCs) was analysed. Eleven modifiable risk factors were stratified: hearing loss, hypertension, body mass index (BMI), depression, visual loss, education, hyperlipidemia, traumatic brain injury (TBI), alcohol abuse, smoking, and diabetes. Age and gender were analyzed as non-modifiable factors. A machine learning approach was employed for simultaneous evaluation of risk factors (Figure 1). RESULT: We included 11,107 cognitively unimpaired individuals at baseline, whose 1,052 converted to dementia (Tab. 1). SHAP (SHapley Additive exPlanations) value analysis assessed the impact of each factor, with Figure 2a displaying the distribution of impacts and Figure 2b illustrating their absolute contributions. The overall performance of the model included an average accuracy of predicting dementia conversion of 66.03% (95% CI: [65.82, 66.23]), sensitivity of 70.26% (95% CI: [70.03, 70.48]), specificity of 65.59% (95% CI: [65.34, 65.83]), and an ROC-AUC of 0.745 (95% CI: [0.744, 0.745]). Age was the most impactful, with an individual AUC score of 0.724 (Figure 2c), and a strong influence on model performance (Figure 2d). Hearing loss, hypertension, BMI, depression, visual loss and education emerged as impactful modifiable risk-factors in our model, albeit not as much as age. CONCLUSION: This study highlights the significance of a simultaneous evaluation of risk factors of dementia, considering multimorbidities in dementia prevention. While age is a primary predictor, our approach identifies critical points within modifiable factors like hearing loss and hypertension. The machine learning framework enhances predictive accuracy, offering comprehensive insights for prevention strategies. Future studies should focus on validating these findings across diverse populations and longitudinally.
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 | 0,015 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».