論文の概要: Ensemble Survival Analysis for Preclinical Cognitive Decline Prediction in Alzheimer's Disease Using Longitudinal Biomarkers

• arxiv url: http://arxiv.org/abs/2503.16645v1
• Date: Thu, 20 Mar 2025 18:56:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:56:13.033478
• Title: Ensemble Survival Analysis for Preclinical Cognitive Decline Prediction in Alzheimer's Disease Using Longitudinal Biomarkers
• Title（参考訳）: 縦型バイオマーカーを用いたアルツハイマー病の予防的認知低下予測のためのアンサンブルサバイバル解析
• Authors: Dhrubajyoti Ghosh, Samhita Pal, Michael Lutz, Sheng Luo,
• Abstract要約: 従来の生存モデルは、病気の進行に伴う複雑な縦長のバイオマーカーパターンを捉えることができない。 臨床経過の早期予測を改善するために,複数の生存モデルを統合するアンサンブルサバイバル分析フレームワークを提案する。 ベースライン後の1回の訪問は予測精度を大幅に改善した(48.1%のCインデックス、48.2%のAUCゲイン)。
• 参考スコア（独自算出の注目度）: 0.9509915687694127
• License:
• Abstract: Predicting the risk of clinical progression from cognitively normal (CN) status to mild cognitive impairment (MCI) or Alzheimer's disease (AD) is critical for early intervention in Alzheimer's disease (AD). Traditional survival models often fail to capture complex longitudinal biomarker patterns associated with disease progression. We propose an ensemble survival analysis framework integrating multiple survival models to improve early prediction of clinical progression in initially cognitively normal individuals. We analyzed longitudinal biomarker data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) cohort, including 721 participants, limiting analysis to up to three visits (baseline, 6-month follow-up, 12-month follow-up). Of these, 142 (19.7%) experienced clinical progression to MCI or AD. Our approach combined penalized Cox regression (LASSO, Elastic Net) with advanced survival models (Random Survival Forest, DeepSurv, XGBoost). Model predictions were aggregated using ensemble averaging and Bayesian Model Averaging (BMA). Predictive performance was assessed using Harrell's concordance index (C-index) and time-dependent area under the curve (AUC). The ensemble model achieved a peak C-index of 0.907 and an integrated time-dependent AUC of 0.904, outperforming baseline-only models (C-index 0.608). One follow-up visit after baseline significantly improved prediction accuracy (48.1% C-index, 48.2% AUC gains), while adding a second follow-up provided only marginal gains (2.1% C-index, 2.7% AUC). Our ensemble survival framework effectively integrates diverse survival models and aggregation techniques to enhance early prediction of preclinical AD progression. These findings highlight the importance of leveraging longitudinal biomarker data, particularly one follow-up visit, for accurate risk stratification and personalized intervention strategies.
• Abstract（参考訳）: 認知正常(CN)状態から軽度認知障害(MCI)やアルツハイマー病(AD)に至る臨床経過の予測は、アルツハイマー病(AD)の早期介入に重要である。 伝統的な生存モデルは、しばしば病気の進行に伴う複雑な縦長のバイオマーカーパターンを捉えるのに失敗する。 本研究では,初期認知正常者における臨床経過の早期予測を改善するために,複数の生存モデルを統合するアンサンブルサバイバル分析フレームワークを提案する。 アルツハイマー病神経画像イニシアチブ(ADNI)コホート(参加者721名)の経時的バイオマーカーデータを解析し,最大3回の訪問(ベースライン,6カ月のフォローアップ,12カ月のフォローアップ)に制限した。 そのうち142人(19.7%)がMCIまたはADの臨床経過を経験した。 われわれのアプローチは, ペナル化コックス回帰(LASSO, Elastic Net)と高度生存モデル(Random Survival Forest, DeepSurv, XGBoost)を組み合わせた。 モデル予測は、アンサンブル平均化とベイズモデル平均化(BMA)を用いて集約された。 予測性能は,曲線 (AUC) 下でのHarrellの一致指数 (C-index) と時間依存領域を用いて評価した。 アンサンブルモデルは0.907のピークCインデックスと0.904の時間依存AUCを達成し、ベースラインのみのモデル(C-index 0.608)を上回った。 ベースラインの後のフォローアップでは予測精度(48.1%のCインデックス、48.2%のAUCゲイン)が大幅に向上し、2番目のフォローアップでは限界ゲイン(2.1%のCインデックス、2.7%のAUC)が与えられた。 我々のアンサンブルサバイバルフレームワークは、様々なサバイバルモデルとアグリゲーション技術を効果的に統合し、プリクリナルAD進行の早期予測を強化する。 これらの知見は, 正確なリスク階層化とパーソナライズされた介入戦略のために, 縦型バイオマーカーデータ, 特に1回のフォローアップ訪問を活用することの重要性を浮き彫りにした。

関連論文リスト

• Predicting Deterioration in Mild Cognitive Impairment with Survival Transformers, Extreme Gradient Boosting and Cox Proportional Hazard Modelling [0.08399688944263844]
  本稿では,認知の劣化を予測するために,サバイバル・トランスフォーマーの新たなアプローチと極勾配促進モデルを提案する。 提案手法は、アルツハイマー認知症における早期発見と介入をより正確にするためのこれらの手法の可能性を強調している。
  論文  参考訳（メタデータ） (2024-09-24T16:49:43Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Assessing the significance of longitudinal data in Alzheimer's Disease forecasting [7.72135261611709]
  我々は、アルツハイマー病(AD)の進行を予測するための縦断的患者データの重要性を特徴付けるために、トランスフォーマーエンコーダモデルを用いている。 アルツハイマー病の縦断予測モデル (LongForMAD) は, 患者訪問の順序に埋め込まれた包括的時間的情報を活用する。 本研究は,ADの早期検出とモニタリングを促進するため,臨床環境における経時的データの導入を支援する。
  論文  参考訳（メタデータ） (2024-05-27T16:55:48Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• HiMAL: A Multimodal Hierarchical Multi-task Auxiliary Learning framework for predicting and explaining Alzheimer disease progression [0.0]
  HiMAL (Hierarchical, Multi-task Auxiliary Learning) フレームワークを開発した。 軽度認知障害からアルツハイマー病への移行の経時的リスクを推定する補助的タスクとして認知複合機能を予測する。
  論文  参考訳（メタデータ） (2024-04-04T05:30:03Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• The leap to ordinal: functional prognosis after traumatic brain injury using artificial intelligence [1.4887102120051716]
  TBIの結果はGlasgow Outcome Scale-Extended (GOSE)によって8つに分類される。 既存のICU予測モデルは、GOSEの一定の閾値でバイナリ結果を予測する。 各GOSEスコアの確率を同時に予測する順序予測モデルを開発した。
  論文  参考訳（メタデータ） (2022-02-10T02:29:19Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。