Using imputation to provide harmonized longitudinal measures of cognition across AIBL and ADNI.
Using imputation to provide harmonized longitudinal measures of cognition across AIBL and ADNI.
复制标题
DOI：
10.1038/s41598-021-02827-6
复制
发表时间：
2021-12-10
影响因子：
4.6
通讯作者：
Burnham SC
中科院分区：
文献类型：
--
作者：
Shishegar R;Cox T;Rolls D;Bourgeat P;Doré V;Lamb F;Robertson J;Laws SM;Porter T;Fripp J;Tosun D;Maruff P;Savage G;Rowe CC;Masters CL;Weiner MW;Villemagne VL;Burnham SC
为了提高对阿尔茨海默病的理解，需要进行大型观察性研究，以增加更细致分析的能力。将现有观察性研究的数据结合起来是一种解决方案。然而，这些数据集的差异使得这是一项不平凡的任务。在这里，应用机器学习方法来估算两项观察性研究的纵向神经心理学测试分数，即澳大利亚成像，生物标志物和生活方式研究（Aibl）和阿尔茨海默病神经成像倡议（ADNI），提供了一个整体协调的数据集。MissForest是一种机器学习算法，它利用数据的底层结构和关系来估算一项研究中未测量的测试分数，使其与另一项研究保持一致。结果表明，一个数据集的模拟缺失值可以准确插补，一个数据集中实际缺失数据的插补显示出与另一个数据集中测量数据相当的临床分类区分度（p < 0.001）。此外，通过观察插补数据（N = 65）中MCI APOE-ε4纯合子的CVLT-II测试评分（插补ADNI）与PET淀粉样蛋白-β之间的显著相关性，证明了整体协调数据集的把握度增加，但原始Aibl数据集（N = 11）未观察到显著相关性。这些结果表明，MissForest可以提供一个实用的解决方案，使用跨研究的插补来协调数据，以提高更细致入微的分析的能力。
To improve understanding of Alzheimer’s disease, large observational studies are needed to increase power for more nuanced analyses. Combining data across existing observational studies represents one solution. However, the disparity of such datasets makes this a non-trivial task. Here, a machine learning approach was applied to impute longitudinal neuropsychological test scores across two observational studies, namely the Australian Imaging, Biomarkers and Lifestyle Study (AIBL) and the Alzheimer's Disease Neuroimaging Initiative (ADNI) providing an overall harmonised dataset. MissForest, a machine learning algorithm, capitalises on the underlying structure and relationships of data to impute test scores not measured in one study aligning it to the other study. Results demonstrated that simulated missing values from one dataset could be accurately imputed, and that imputation of actual missing data in one dataset showed comparable discrimination (p < 0.001) for clinical classification to measured data in the other dataset. Further, the increased power of the overall harmonised dataset was demonstrated by observing a significant association between CVLT-II test scores (imputed for ADNI) with PET Amyloid-β in MCI APOE-ε4 homozygotes in the imputed data (N = 65) but not for the original AIBL dataset (N = 11). These results suggest that MissForest can provide a practical solution for data harmonization using imputation across studies to improve power for more nuanced analyses.
登录
查看更多内容
影响因子：
7
作者：
McArdle, John J.;Grimm, Kevin J.;Hamagami, Fumiaki;Bowles, Ryan P.;Meredith, William
通讯作者：
Meredith, William
DOI：
10.1016/s0140-6736(20)32205-4
发表时间：
2021-04-24
期刊：
Lancet (London, England)
影响因子：
--
作者：
Scheltens P;De Strooper B;Kivipelto M;Holstege H;Chételat G;Teunissen CE;Cummings J;van der Flier WM
通讯作者：
van der Flier WM
混合效应机器学习：预测血红蛋白A1c纵向变化的框架。
影响因子：
4.5
作者：
Ngufor C;Van Houten H;Caffo BS;Shah ND;McCoy RG
通讯作者：
McCoy RG
DOI：
10.1016/j.jalz.2011.03.005
发表时间：
2011-05
期刊：
Alzheimer's & dementia : the journal of the Alzheimer's Association
影响因子：
--
作者：
McKhann GM;Knopman DS;Chertkow H;Hyman BT;Jack CR Jr;Kawas CH;Klunk WE;Koroshetz WJ;Manly JJ;Mayeux R;Mohs RC;Morris JC;Rossor MN;Scheltens P;Carrillo MC;Thies B;Weintraub S;Phelps CH
通讯作者：
Phelps CH
影响因子：
3.1
作者：
Lim, Yen Ying;Villemagne, Victor L.;Maruff, Paul
通讯作者：
Maruff, Paul