Exposome-wide association study and predictive risk score for incident Alzheimer's disease and related dementias.
پخش حرفه‌ای فارسی و انگلیسی
در حال بررسی نسخه‌های صوتی ذخیره‌شده…
تنظیم صدای طبیعی و سرعت
صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده می‌شود معمولاً طبیعی‌ترند. انتخاب صدا به صداهای نصب‌شده در ویندوز و مرورگر شما بستگی دارد.
چکیده اصلی
INTRODUCTION: Environmental exposures contribute substantially to Alzheimer's disease and related dementias (ADRD), yet comprehensive exposome-wide investigations systematically evaluating multi-domain environmental factors remain limited and lacking utility for precision medicine. METHODS: We conducted an exposome-wide association study (ExWAS) among 499,992 UK Biobank participants, examining 193 exposures across five domains (social, physical, chemical, lifestyle, and ecosystems). Cox proportional hazard models with Bonferroni correction identified ADRD-associated exposures. We used the XGBoost classifier to build a predictive model and further developed an exposomic risk score (ERS) for risk stratification. RESULTS: During a 15.3-year median follow-up, 8881 participants (1.77%) developed ADRD, including 4000 with Alzheimer's disease. ExWAS identified 76 exposures after Bonferroni correction. The prediction model achieved area under the curve (AUC) = 0.718, outperforming demographics+apolipoprotein E (APOE) status alone (AUC = 0.678). The ERS stratified ADRD risk (highest vs lowest quartile hazard ratio [HR] = 2.97, 95% confidence interval [CI]: 2.59-3.41). DISCUSSION: The ERS has the potential to contribute to clinically relevant prevention strategies for ADRD.
نتیجه فارسی
مطالعه‌ای در ۴۹۹،۹۲ نفر با پیگیری ۱۵.۳ ساله، ۷۶ مواجهه محیطی را با بیماری آلزایمر مرتبط دانست. مدل پیش‌بینی‌کننده با AUC 0.718 عملکرد بهتری از مدل‌های متداول داشت. نمره ریسک مواجهه‌ای (ERS) ریسک را طبقه‌بندی کرد.
- مطالعه ExWAS در UK Biobank ۱۹۳ مواجهه محیطی را بررسی کرد.
- ۷۶ مواجهه پس از اصلاح Bonferroni با بیماری آلزایمر مرتبط شدند.
- مدل پیش‌بینی‌کننده با AUC 0.718 عملکرد بهتری از مدل‌های متداول داشت.
- نمره ریسک مواجهه‌ای (ERS) ریسک را طبقه‌بندی کرد (HR = 2.97).
ترجمه فارسی چکیده
مطالعه‌ای در میان ۴۹۹،۹۹۲ شرکت‌کننده در بانک اطلاعاتی بریتانیا (UK Biobank) انجام شد که ۱۹۳ مواجهه در پنج حوزه (اجتماعی، فیزیکی، شیمیایی، سبک زندگی و اکوسیستم) را بررسی کرد. با استفاده از مدل‌های ریسک نسبت به وقوع (Cox) و اصلاح Bonferroni، ۷۶ مواجهه مرتبط با بیماری آلزایمر و اختلالات روانی مرتبط شناسایی شدند. مدل پیش‌بینی‌کننده با ناحیه زیر منحنی (AUC) برابر با ۰.۷۱۸ عملکرد بهتری نسبت به فقط ویژگی‌های جمعیت‌شناختی و وضعیت آپولیپوپروتئین E (APOE) (AUC = ۰.۶۷۸) داشت. نمره ریسک مواجهه‌ای (ERS) ریسک بیماری آلزایمر و اختلالات روانی مرتبط را طبقه‌بندی کرد (حداکثر در برابر کمترین ربع نسبت خطر [HR] = ۲.۹۷، ۹۵٪ ناحیه اطمینان [CI]: ۲.۵۹-۳.۴۱).
روش پژوهش
مطالعه ExWAS در ۴۹۹،۹۹۲ شرکت‌کننده UK Biobank انجام شد. از مدل‌های ریسک نسبت به وقوع (Cox) و اصلاح Bonferroni برای شناسایی مواجهه‌ها استفاده شد. مدل پیش‌بینی‌کننده با XGBoost classifier و نمره ریسک مواجهه‌ای (ERS) ساخته شد.
محدودیت‌ها
محدودیت‌ها در متن گزارش نشده‌اند.
نمای PICO و پیامدها
- جمعیت
- ۴۹۹،۹۹۲ شرکت‌کننده در UK Biobank.
- مداخله/مواجهه
- مطالعه ExWAS برای بررسی ۱۹۳ مواجهه در پنج حوزه محیطی.
- مقایسه
- مدل‌های متداول (ویژگی‌های جمعیت‌شناختی و وضعیت APOE).
- حجم نمونه
- ۴۹۹،۹۹۲ شرکت‌کننده.
متن کامل اصلی
لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز می‌شود.
باز کردن متن کامل