Predicting amyloid risk by machine learning algorithms based on the A4 screen data: Application to the Japanese Trial-Ready Cohort study.
Predicting amyloid risk by machine learning algorithms based on the A4 screen data: Application to the Japanese Trial-Ready Cohort study.
复制标题
DOI：
10.1002/trc2.12135
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Iwatsubo T
中科院分区：
文献类型：
--
作者：
Sato K;Ihara R;Suzuki K;Niimi Y;Toda T;Jimenez-Maggiora G;Langford O;Donohue MC;Raman R;Aisen PS;Sperling RA;Iwata A;Iwatsubo T
选择认知正常的老年人与脑淀粉样蛋白沉积的风险较高是至关重要的阿尔茨海默病（AD）的预防试验的成功。基于无症状性阿尔茨海默病的抗淀粉样蛋白治疗研究数据，我们构建了机器学习模型，并将其应用于我们正在进行的日本试验就绪队列（J-TRC）网络研究参与者，这些参与者在发布后的前9个月内注册（n = 3081），以预测淀粉样蛋白正电子发射断层扫描的标准摄取值比率（SUVr）。年龄、家族史、在线认知功能量表和CogState评分是重要的预测因素。在已知淀粉样蛋白状态的J-TRC网络研究参与者亚组（n = 37）中，预测的SUVr与自我报告的淀粉样蛋白检测结果一致（曲线下面积= 0.806 [0.619-0.992]）。我们的算法可用于自动优先考虑具有较高淀粉样蛋白风险的候选受试者，优先从J-TRC网络研究招募到亲自研究，最大限度地提高识别临床前AD受试者的效率。
Selecting cognitively normal elderly individuals with higher risk of brain amyloid deposition is critical to the success of prevention trials for Alzheimer's disease (AD). Based on the Anti‐Amyloid Treatment in Asymptomatic Alzheimer's Disease study data, we built machine‐learning models and applied them to our ongoing Japanese Trial‐Ready Cohort (J‐TRC) webstudy participants registered within the first 9 months (n = 3081) of launch to predict standard uptake value ratio (SUVr) of amyloid positron emission tomography. Age, family history, online Cognitive Function Instrument and CogState scores were important predictors. In a subgroup of J‐TRC webstudy participants with known amyloid status (n = 37), the predicted SUVr corresponded well with the self‐reported amyloid test results (area under the curve = 0.806 [0.619–0.992]). Our algorithms may be usable for automatic prioritization of candidate participants with higher amyloid risks to be preferentially recruited from the J‐TRC webstudy to in‐person study, maximizing efficiency for the identification of preclinical AD participants.
登录
查看更多内容
影响因子：
29
作者：
Donohue, Michael C.;Sperling, Reisa A.;Salmon, David P.;Rentz, Dorene M.;Raman, Rema;Thomas, Ronald G.;Weiner, Michael;Aisen, Paul S.
通讯作者：
Aisen, Paul S.
DOI：
10.1016/j.jalz.2018.05.006
发表时间：
2019-01
期刊：
Alzheimer's & dementia : the journal of the Alzheimer's Association
影响因子：
--
作者：
Cummings J
通讯作者：
Cummings J
影响因子：
--
作者：
Sperling, R;Cummings, J;Aisen, P
通讯作者：
Aisen, P
影响因子：
9
作者：
Vermunt, Lisa;Muniz-Terrera, Graciela;Visser, Pieter Jelle
通讯作者：
Visser, Pieter Jelle
影响因子：
120.7
作者：
Jansen, Willemijn J.;Ossenkoppele, Rik;Knol, Dirk L.;Tijms, Betty M.;Scheltens, Philip;Verhey, Frans R. J.;Visser, Pieter Jelle
通讯作者：
Visser, Pieter Jelle