A Machine Learning‐Based MRI Marker Predicts Incident Hypertension and Mediates the Relationship Between Hypertension and Cognition
Notice bibliographique
Résumé
BACKGROUND: Hypertension (HTN) is an established risk factor for neurodegeneration and dementia, supported by epidemiological and neuroimaging studies, although there is large variation in individual outcomes. We developed a machine learning (ML)-based model, termed SPARE-HTN, to quantify the spatial pattern of HTN-related neurodegeneration observable in individual structural magnetic resonance images (sMRI). SPARE-HTN demonstrates superior sensitivity compared to the most widely-used measure of HTN-related brain changes, correlates with cognitive performance, and detects early changes in mid-life years. This study investigated the predictive capacity of SPARE-HTN for incident HTN and its mediating role in the relationship between HTN and cognition. METHODS: SPARE-HTN, derived from N = 37,098 cognitively unimpaired individuals from diverse cohorts, was evaluated in N = 968 (59% female, mean age 63.0 ± 11 years) individuals with longitudinal clinical data from six studies (Table 1). Baseline SPARE-HTN values were compared across participants categorized by longitudinal HTN status: persistently normotensive, persistently hypertensive, or incident HTN. The risk of incident HTN was evaluated among baseline normotensive participants using Cox regression model across the baseline SPARE-HTN quartiles, adjusted for age and sex. The average causal mediated effect (ACME) of SPARE-HTN and total white matter hyperintensity (WMH) volume on the relationship between hypertension and cognitive test scores were assessed using mediation models with 5000 simulated permutations. RESULTS: Table 1 presents the participant characteristics at baseline, stratified by longitudinal HTN status. SPARE-HTN was significantly elevated (Figure 1A) in participants who were normotensive at baseline but developed HTN within 3-7 years (+0.44, p = 0.01), but not in those who developed HTN in 8-12 years (p = 0.65). Normotensive participants with elevated baseline SPARE-HTN scores exhibited significantly higher Cox proportional hazard ratios for HTN incidence (Figure 1B). Mediation analysis demonstrated that SPARE-HTN mediated up to 26% of the effect of HTN on cognitive measures, whilst the conventional WMH volumes showed little mediation effect (Figure 2). CONCLUSION: Our ML-based sMRI marker predicted incident HTN prior to formal clinical diagnosis, suggesting the presence of subclinical cerebrovascular changes possibly associated with blood pressure variations. These markers, particularly relevant in midlife, offer potential for informing dementia prevention trials by enabling individualized risk stratification and potentially more sensitive measurement of therapeutic efficacy.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 |
| 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 ».