Routine Blood Count and Chemistry can predict AD dementia risk up to Ten years Ahead
Notice bibliographique
Résumé
BACKGROUND: AD dementia risk prediction may help prevent 30% of cases by treating vascular risk factors years before clinical stage. Moreover, new disease modifying drugs are given only in the earliest clinical stages. Hence, there is a need for a tool that can flag high-risk cognitive healthy (CH) subjects in order to improve early drug accessibility. The tool should be able to screen mass populations in a short period while maintaining low cost. The aim of this study was to develop such a tool. METHOD: We interrogated a community cohort from the Clalit health care services. The cohort included 504,219 subjects, above the age of 45. Each subject had at least one routine blood count and basic chemistry and up to ten consecutive blood exams done on a yearly basis. The blood exams were done for various other reasons. After exclusion, there were 381,754 Cognitive Healthy (CH) subjects and 59,441 subjects diagnosed with AD (MCI or early dementia). AD Diagnosis was based on the 2011 NIA guidelines. The predictive ML tool was trained for different combinations of historical period (1 to 10y) and prediction horizons (1 to 10y). For each model, we calculated the accuracy, area under the curve (AUC), precision, recall, F1 score, false positive/negative rates, risk ratio (RR) and odds ratio (OR). RESULT: We present herein some examples of the model results. For one year of blood exam history (aka one blood exam) and one year of horizon prediction the accuracy was 0.73, AUC 0.8, precision 0.28, recall 0.73, F1 score 0.4. For two years of blood exam history and three years of horizon prediction the accuracy was 0.73, AUC 0.84, precision 0.28, recall 0.82, F1 score 0.42. For two years of history and ten years of horizon the accuracy was 0.73, AUC 0.81, precision 0.19, recall 0.75, F1 score 0.3. CONCLUSION: Routine Blood count and chemistry, done for various other reasons, may enclose information concerning future risk for AD dementia. Using ML and AI sophisticated tools can facilitate the use of routine blood exams as a screening tool for AD dementia risk assessment.
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 | 0,003 | 0,009 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».