Show simple item record

dc.contributor.authorMoguilner, Sebastian
dc.contributor.authorBirba, Agustina
dc.contributor.authorFittipaldi, Sol
dc.contributor.authorGonzalez-Campo, Cecilia
dc.contributor.authorTagliazucchi, Enzo
dc.contributor.authorReyes, Pablo
dc.contributor.authorMatallana, Diana
dc.contributor.authorParra, Mario A
dc.contributor.authorSlachevsky, Andrea
dc.contributor.authorFarías, Gonzalo
dc.contributor.authorMatallana, Diana
dc.date.accessioned2023-03-17T18:51:06Z
dc.date.accessioned2023-05-10T17:19:17Z
dc.date.available2023-03-17T18:51:06Z
dc.date.available2023-05-10T17:19:17Z
dc.date.created2022-08-25
dc.identifierhttps://iopscience.iop.org/journal/1741-2552spa
dc.identifier.issn1741-2552spa
dc.identifier.urihttps://hdl.handle.net/20.500.12032/92610
dc.description.abstractObjetivo. El diagnóstico diferencial de la variante conductual de la demencia frontotemporal (bvFTD) y La enfermedad de Alzheimer (EA) sigue siendo un desafío en grupos subrepresentados y subdiagnosticados, incluidos los latinos, ya que los biomarcadores avanzados rara vez están disponibles. Directrices recientes para el estudio de demencia destacan el papel fundamental de los biomarcadores. Por lo tanto, nuevos complementarios rentables Se requieren enfoques en entornos clínicos. Acercarse. Desarrollamos un marco novedoso basado en un clasificador de aprendizaje automático que aumenta el gradiente, ajustado por la optimización bayesiana, en una función múltiple enfoque multimodal (que combina imágenes demográficas, neuropsicológicas y de resonancia magnética) (IRM) y electroencefalografía/datos de conectividad de IRM funcional) para caracterizar neurodegeneración utilizando la armonización del sitio y la selección de características secuenciales. Evaluamos 54 DFTvc y 76 pacientes con EA y 152 controles sanos (HC) de un consorcio latinoamericano (ReDLat). Resultados principales. El modelo multimodal arrojó una alta clasificación de área bajo la curva (pacientes con DFTvc frente a HC: 0,93 (±0,01); pacientes con EA frente a HC: 0,95 (±0,01); DFTvv frente a EA pacientes: 0,92 (±0,01)). El enfoque de selección de características filtró con éxito información no informativa marcadores multimodales (de miles a decenas). Resultados. Probado robusto contra multimodal heterogeneidad, variabilidad sociodemográfica y datos faltantes. Significado. El modelo con precisión subtipos de demencia identificados utilizando medidas fácilmente disponibles en entornos subrepresentados, con un rendimiento similar al de los biomarcadores avanzados. Este enfoque, si se confirma y replica, puede complementar potencialmente las evaluaciones clínicas en los países en desarrollo.spa
dc.formatPDFspa
dc.format.mimetypeapplication/pdfspa
dc.language.isoengspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/*
dc.subjectneuroimagen multimodalspa
dc.subjectneurodegeneraciónspa
dc.subjectarmonizaciónspa
dc.subjectselección de característicasspa
dc.subjectaprendizaje automáticospa
dc.titleMulti-feature computational framework for combined signatures of dementia in underrepresented settingsspa


Files in this item

FilesSizeFormatView
Multi-feature.pdf2.322Mbapplication/pdfView/Open

This item appears in the following Collection(s)

Show simple item record

http://creativecommons.org/licenses/by-nc/4.0/
Except where otherwise noted, this item's license is described as http://creativecommons.org/licenses/by-nc/4.0/

© AUSJAL 2022

Asociación de Universidades Confiadas a la Compañía de Jesús en América Latina, AUSJAL
Av. Santa Teresa de Jesús Edif. Cerpe, Piso 2, Oficina AUSJAL Urb.
La Castellana, Chacao (1060) Caracas - Venezuela
Tel/Fax (+58-212)-266-13-41 /(+58-212)-266-85-62

Nuestras redes sociales

facebook Facebook

twitter Twitter

youtube Youtube

Asociaciones Jesuitas en el mundo
Ausjal en el mundo AJCU AUSJAL JESAM JCEP JCS JCAP