Biological embedding of educational disparities in aging and neurodegeneration across global settings
Notice bibliographique
Résumé
BACKGROUND: While education is crucial for brain health, evidence mainly relies on individual measures of years of education (YoE), neglecting educational quality (EQ). Whether YoE and EQ have complementary impacts on aging and dementia is unknown. METHODS: We assessed the impact of EQ and YoE on brain health in 7,533 subjects from 20 countries, including healthy controls (HCs), Alzheimer's disease (AD), and frontotemporal lobar degeneration (FTLD). EQ was based on country-level quality indicators. After applying neuroimage harmonization, we examined their effect on gray matter volume and functional connectivity. Regression models were adjusted for age, sex, and cognition, controlling for multiple comparisons. The impact of image quality was controlled through sensitivity analysis. RESULTS: Less EQ and YoE were associated with greater brain burden across groups. However, EQ had a stronger impact, mainly targeting the vulnerable areas of each condition. At the whole-brain level, EQ influenced atrophy (HCs: ∆mean = 2.0 [1.9-2.0] CL95 × 10⁻², p < 10⁻⁵; AD: ∆mean = 0.1 [-0.0-0.3] CL95 × 10⁻², p = 0.18; FTLD: ∆mean = 3.5 [3.0-4.0] CL95 × 10⁻², p < 10⁻⁵) and networks (HCs: ∆mean = 13.5 [13.2-13.7] CL95 × 10⁻², p < 10⁻⁵; AD: ∆mean = 5.9 [5.2-6.7] CL95 × 10⁻², p < 10⁻⁵; FTLD: ∆mean = 13.2 [11.2-13.7] CL95 × 10⁻², p < 10⁻⁵), 1.3 to 7.0 times more than YoE. CONCLUSION: Results support the need to incorporate education quality to study and improve brain health, underscoring the importance of country-level measures.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».