MARC

 008260311s2025        us                                    eng  d
■001000017356798
■00520260311091514.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798286425334
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a610.72
■1001  ▼aPirraglia,  Elizabeth▼eauthor.
■24510▼aStatistical  Approaches  to  Heterogeneity  in  Alzheimer's  Disease  and  Related  Dementias  ▼cElizabeth  Pirraglia
■260    ▼a[Sl]▼bNew  York  University▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (150  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisors:  Shao,  Yongzhao;  Troxel,  Andrea    Committee  members:  Anthopolos,  Rebecca;  Betensky,  Rebecca;  Glodzik,  Lidia;  Hu,  Jiyuan;  Osorio,  Ricardo.
■5021  ▼bPh.D.▼cNew  York  University▼d2025.
■520    ▼aAlzheimer's  Disease  and  Related  Dementias  (ADRD)  is  an  umbrella  term  for  numerous  progressive  neurocognitive  disorders  that  impair  memory,  cognition,  and  behavior.  While  research  has  advanced  our  general  understanding  of  these  disorders,  important  challenges  remain,  particularly  in  accurately  diagnosing  subtypes,  identifying  specific  disease  mechanisms,  and  designing  effective,  personalized  treatments.  These  difficulties  are  compounded  by  the  clinical  and  biological  heterogeneity  of  ADRD,  as  well  as  the  limitations  of  available  data  and  conventional  analytic  methods.  This  dissertation  seeks  to  address  these  gaps  by  improving  diagnostic  precision,  leveraging  flexible  statistical  models  to  better  capture  disease  complexity,  and  introducing  innovative  approaches  for  integrating  data  across  diverse  research  cohorts.A  major  challenge  in  ADRD  research  stems  from  the  diagnostic  inconsistencies  across  ADRD  subtypes,  including  the  underdiagnosis  of  coexisting  pathologies  in  mixed  dementia.  These  diagnostic  gaps  obstruct  efforts  to  identify  subtype-specific  biomarkers  and  hinder  the  development  of  interventions  tailored  to  individual  disease  trajectories.  This  dissertation  quantifies  the  extent  of  underdiagnosis  and  investigates  how  key  risk  factors,  such  as  age  and  the  variance  of  the  APOE  gene,  differentially  contribute  to  the  development  of  various  ADRD  subtypes,  offering  new  insights  into  the  complexity  of  disease  presentation  and  progression.In  addition  to  diagnostic  challenges,  most  studies  focus  exclusively  on  individual  dementia  types,  neglecting  the  significant  comorbidity  and  heterogeneity  inherent  to  ADRD.  This  model  misspecification  risks  producing  biased  findings,  particularly  in  research  on  mortality  and  aging-related  diseases  where  heterogeneous  comorbid  conditions  are  prevalent  and  non-negligible.  Flexible  statistical  models,  such  as  competing  risks  survival  models,  are  necessary  to  address  this  complexity  by  analyzing  multiple  time-to-event  outcomes  simultaneously.  However,  the  development  and  application  of  competing  risks  and  other  flexible  statistical  models  in  dementia  research  remain  underutilized.  By  employing  competing  risks  survival  models,  this  study  evaluates  the  varying  effects  of  APOE  on  mortality  across  ADRD  subtypes  identified  through  analysis  of  post-mortem  neuropathology  data.  The  findings  reveal  that  the  influence  of  APOE  on  mortality  can  differ  substantially  between  subgroups,  with  significantly  opposing  trends  that  would  be  masked  in  all-cause  mortality  analyses.The  focus  on  individual  dementia  types  also  hinders  the  identification  of  biomarkers  of  different  ADRD  subtypes,  particularly  in  cases  with  mixed  dementia  pathologies.  To  reliably  diagnose  mixed  dementia,  exploring  combinations  of  specific  biomarkers  is  crucial.  However,  comprehensive  datasets  containing  post-mortem  neuropathology  in  addition  to  imaging  and  fluid  biomarker  data,  are  scarce.  To  bridge  this  gap,  an  approach  called  "Multi-Cohort  Bridging"  is  introduced.  This  approach  is  designed  to  link  large  reference  cohorts  with  neuropathological  outcomes  to  smaller  cohorts  with  diverse  biomarker  data,  enabling  more  robust  analyses.Together,  these  contributions  advance  the  understanding  of  mixed  dementia,  enhance  methods  for  capturing  ADRD  heterogeneity,  and  support  the  development  of  more  accurate  diagnostic  tools  and  personalized  treatment  strategies.
■546    ▼aEnglish
■590    ▼aSchool  code:  0146
■650  4▼aBiostatistics
■650  4▼aAging
■650  4▼aPathology
■650  4▼aNeurosciences
■653    ▼aAPOE  gene
■653    ▼aBiomarkers
■653    ▼aCompeting  risks
■653    ▼aEtiology
■653    ▼aMixed  dementia
■653    ▼aMulti-Cohort  Bridging
■7102  ▼aNew  York  University▼bBasic  Medical  Science.▼edegree  granting  institution.
■7201  ▼aShao,  Yongzhao▼edegree  supervisor.
■7201  ▼aTroxel,  Andrea▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356798▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서