Uncovering Alzheimer's Disease Related Dementias Patterns using Machine Learning in a LMIC Setting
Notice bibliographique
Résumé
Abstract Background Neurodegenerative disease prevalence is projected to triple in the next 30 years, with sub‐Saharan Africa facing an acute brain health crisis due to population aging and a high vascular risk burden. East Africa, where 80% of the population is under 35, is expected to experience rapid brain aging and the world's highest neurological disease burden in terms of disability‐adjusted life‐years. Despite this, research on brain aging specific to this population is limited. Machine learning (ML) models trained on magnetic resonance imaging (MRI) scans offer promising diagnostic and prognostic insights for early detection of Alzheimer's disease and related dementias (ADRD). This study aims to develop an ensemble ML model tailored to improve early diagnosis. Methods We will curate a neuroimaging database (Kenya‐NeuroBank) consisting of T1‐weighted MRI scans, demographic, and clinical data from ADRD diagnostic services at the Aga Khan University Hospital, Nairobi. This dataset, encompassing neurotypical and ADRD‐affected brains, will be used to train an ensemble ML model for ADRD prediction in the Kenyan population. Additionally, we will identify key brain structures most associated with ADRD using ML‐based feature selection techniques. Model validation will be conducted using complementary clinical datasets from Kenya and available datasets from the African American cohort (such as Wake Forest Alzheimer's Disease Research Center data and HABS‐HD study data), enabling comparisons across populations. Results Currently, as we curate the Kenya‐NeuroBank database, 136 participant data is available. Of these 67.6% ( n = 92) are females and the mean age is 51.7 years (SD=11.4). We anticipate creating the database to around 1000 participants. We expect our ML model to accurately classify ADRD cases, identify population‐specific structural biomarkers, and improve early detection of neurodegenerative risks in East Africa. Comparative validation with Western datasets will highlight unique environmental and lifestyle influences on ADRD pathology. Conclusion This study addresses a critical gap in neuroimaging research in sub‐Saharan Africa, providing a tailored ML approach for ADRD prediction. By improving early diagnosis and identifying population‐specific biomarkers, our findings will contribute to personalized healthcare strategies, earlier interventions, and better patient outcomes. This work also has broader implications for brain health research across Africa.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 | 0,001 |
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 ».