The Montreal Cognitive Assessment (MoCA) was recently proposed as a cognitive screening test for milder forms of cognitive impairment, having surpassed the well-known limitations of the Mini-Mental State Examination (MMSE). This study aims to validate the MoCA for screening Mild Cognitive Impairment (MCI) and Alzheimer disease (AD) through an analysis of diagnostic accuracy and the proposal of cut-offs. Patients were classified into 2 clinical groups according to standard criteria: MCI (n=90) and AD (n=90). The 2 control groups (C-MCI: n=90; C-AD: n=90) consisted of cognitively healthy community dwellers selected to match patients in sex, age, and education. The MoCA showed consistently superior psychometric properties compared with the MMSE, and higher diagnostic accuracy to discriminate between MCI (area under the curve=0.856; 95% confidence interval, 0.796-0.904) and AD patients (area under the curve=0.980; 95% confidence interval, 0.947-0.995). At an optimal cut-off of below 22 for MCI and below 17 for AD, the MoCA achieved significantly superior values in comparison with MMSE for sensitivity, specificity, positive predictive value, negative predictive value, and classification accuracy. Furthermore, the MoCA revealed higher sensitivity to cognitive decline in longitudinal monitoring. This study provides robust evidence that the MoCA is a better cognitive tool than the widely used MMSE for the screening and monitoring of MCI and AD in clinical settings.

Dementia and cognitive impairment associated with aging are a major medical and social concern. Neuropsychological testing is a key element in the diagnostic procedures of Mild Cognitive Impairment (MCI), but has presently a limited value in the prediction of progression to dementia. We advance the hypothesis that newer statistical classification methods derived from data mining and machine learning methods like Neural Networks, Support Vector Machines and Random Forests can improve accuracy, sensitivity and specificity of predictions obtained from neuropsychological testing. Seven non parametric classifiers derived from data mining methods (Multilayer Perceptrons Neural Networks, Radial Basis Function Neural Networks, Support Vector Machines, CART, CHAID and QUEST Classification Trees and Random Forests) were compared to three traditional classifiers (Linear Discriminant Analysis, Quadratic Discriminant Analysis and Logistic Regression) in terms of overall classification accuracy, specificity, sensitivity, Area under the ROC curve and Press'Q. Model predictors were 10 neuropsychological tests currently used in the diagnosis of dementia. Statistical distributions of classification parameters obtained from a 5-fold cross-validation were compared using the Friedman's nonparametric test. Press' Q test showed that all classifiers performed better than chance alone (p < 0.05). Support Vector Machines showed the larger overall classification accuracy (Median (Me) = 0.76) an area under the ROC (Me = 0.90). However this method showed high specificity (Me = 1.0) but low sensitivity (Me = 0.3). Random Forest ranked second in overall accuracy (Me = 0.73) with high area under the ROC (Me = 0.73) specificity (Me = 0.73) and sensitivity (Me = 0.64). Linear Discriminant Analysis also showed acceptable overall accuracy (Me = 0.66), with acceptable area under the ROC (Me = 0.72) specificity (Me = 0.66) and sensitivity (Me = 0.64). The remaining classifiers showed overall classification accuracy above a median value of 0.63, but for most sensitivity was around or even lower than a median value of 0.5. When taking into account sensitivity, specificity and overall classification accuracy Random Forests and Linear Discriminant analysis rank first among all the classifiers tested in prediction of dementia using several neuropsychological tests. These methods may be used to improve accuracy, sensitivity and specificity of Dementia predictions from neuropsychological testing.

Abstract The genetic basis of Lewy body dementia (LBD) is not well understood. Here, we performed whole-genome sequencing in large cohorts of LBD cases and neurologically healthy controls to study the genetic architecture of this understudied form of dementia and to generate a resource for the scientific community. Genome-wide association analysis identified five independent risk loci, whereas genome-wide gene-aggregation tests implicated mutations in the gene GBA . Genetic risk scores demonstrate that LBD shares risk profiles and pathways with Alzheimer’s and Parkinson’s disease, providing a deeper molecular understanding of the complex genetic architecture of this age-related neurodegenerative condition.

Abstract Connections among brain regions allow pathological perturbations to spread from a single source region to multiple regions. Patterns of neurodegeneration in multiple diseases, including behavioral variant of frontotemporal dementia (bvFTD), resemble the large-scale functional systems, but how bvFTD-related atrophy patterns relate to structural network organization remains unknown. Here we investigate whether neurodegeneration patterns in sporadic and genetic bvFTD are conditioned by connectome architecture. Regional atrophy patterns were estimated in both genetic bvFTD (75 patients, 247 controls) and sporadic bvFTD (70 patients, 123 controls). We first identify distributed atrophy patterns in bvFTD, mainly targeting areas associated with the limbic intrinsic network and insular cytoarchitectonic class. Regional atrophy was significantly correlated with atrophy of structurally- and functionally-connected neighbors, demonstrating that network structure shapes atrophy patterns. The anterior insula was identified as the predominant group epicenter of brain atrophy using data-driven and simulation-based methods, with some secondary regions in frontal ventromedial and anteromedial temporal areas. Finally, we find that FTD-related genes, namely C9orf72 and TARDBP, confer local transcriptomic vulnerability to the disease, effectively modulating the propagation of pathology through the connectome. Collectively, our results demonstrate that atrophy patterns in sporadic and genetic bvFTD are jointly shaped by global connectome architecture and local transcriptomic vulnerability.

Este artigo buscou analisar os impactos do uso de telas no neurodesenvolvimento infantil, abordando a influência que o tempo de exposição a dispositivos eletrônicos pode ter em diferentes áreas do desenvolvimento, como a cognição, a linguagem e a socialização. A metodologia empregada envolveu uma revisão bibliográfica abrangente de estudos recentes que investigam os efeitos das telas, destacando tanto os benefícios quanto os riscos associados ao uso excessivo. Os principais resultados encontrados indicaram que, embora as telas possam proporcionar oportunidades de aprendizado e interação, seu uso desmedido está relacionado as dificuldades de atenção, problemas de sono e prejuízos no desenvolvimento social das crianças. A conclusão deste estudo enfatiza a necessidade de estabelecer limites saudáveis para o uso de dispositivos eletrônicos, promovendo um equilíbrio que favoreça o desenvolvimento integral das crianças em suas fases iniciais de vida.

Abstract Recent studies have suggested that cerebellar and subcortical structures are impacted early in the disease progression of genetic frontotemporal dementia (FTD) due to microtubule-associated protein tau ( MAPT ), progranulin ( GRN ) and chromosome 9 open reading frame 72 ( C9orf72 ). However, the clinical contribution of the structures involved in the cerebello-subcortical circuitry has been understudied in FTD given their potentially central role in cognition and behaviour processes. The present study aims to investigate whether there is an association between the atrophy of the cerebellar and subcortical structures, and neuropsychiatric symptoms (using the revised version of the Cambridge Behavioral Inventory, CBI-R) across genetic mutations and whether this association starts during the preclinical phase of the disease. Our study included 983 participants from the Genetic Frontotemporal dementia Initiative (GENFI) including mutation carriers (n=608) and non-carrier first-degree relatives of known symptomatic carriers (n= 375). Voxel-wise analysis of the thalamus, striatum, globus pallidus, amygdala, and the cerebellum was performed using deformation based morphometry (DBM) and partial least squares analyses (PLS) were used to link morphometry and behavioural symptoms. Our univariate results suggest that in this group of primarily presymptomatic subjects, volume loss in subcortical and cerebellar structure was primarily a function of aging, with only the C9orf72 group showing more pronounced volume loss in the thalamus compared to the non-carrier individuals. PLS analyses demonstrated that the cerebello-subcortical circuitry is related to all neuropsychiatric symptoms from the CBI-R, with significant overlap in brain/behaviour patterns, but also specificity for each genetic group. The biggest differences were in the extent of the cerebellar involvement (larger extent in C9orf72 group) and more prominent amygdalar contribution in the MAPT group. Finally, our findings demonstrated that C9orf72 and MAPT brain scores were related to estimated years before the age of symptom onset (EYO) in a second order relationship highlighting a steeper brain score decline 20 years before expected symptom onset, while GRN brain scores were related to age and not EYO. Overall, these results demonstrated the important role of the subcortical structures and especially of the cerebellum in genetic FTD symptom expression.

Neurodegenerative Diseases (NDs) are a major health challenge. Thus, finding reliable blood biomarkers for them has been of pivotal importance in translational/clinical research. However, conventional omics struggle with the complexity of blood samples making it difficult to achieve the desired goal. To address this, the potential of High Molecular Weight (HMW) serum fractionation under non-denaturing conditions as a complementary approach to the direct analysis of whole serum proteomics was explored in this work. To achieve this, a total of 58 serum samples of Alzheimer9s disease (AD), Parkinson9s disease (PD) patients and control individuals underwent both strategies: i) direct analysis of whole serum and ii) non-denaturing fractionation using 300 kDa cut-off filters (HMW serum). As expected, each approach was able to capture different sets of differentially regulated proteins since most of the altered proteins were not shared between them. More importantly, it was possible to create a discriminant model using the altered proteins from both datasets capable of successfully distinguishing the three groups (AUC = 0.999 and, median sensitivity and specificity of 97.4% and 91.7%, respectively). Among the 10 proteins included in the model (5 from each strategy), a clear evidence for the contribution of proteins from the apolipoprotein family for the diagnosis of NDs was revealed. Furthermore, HMW fractionation exposed potential changes within the organization of macromolecules and their complexes, thereby uncovering hidden effects in serum. Altogether, this work demonstrated that HMW fractionation can be a valuable complementary method to direct serum analysis and could enhance biomarker discovery.

Recent large-scale genetic studies have allowed for the first glimpse of the effects of common genetic variability in dementia with Lewy bodies (DLB), identifying risk variants with appreciable effect sizes. However, it is currently well established that a substantial portion of the genetic heritable component of complex traits is not captured by genome-wide significant SNPs. To overcome this issue, we have estimated the proportion of phenotypic variance explained by genetic variability (SNP heritability) in DLB using a method that is unbiased by allele frequency or linkage disequilibrium properties of the underlying variants. This shows that the heritability of DLB is nearly twice as high as previous estimates based on common variants only (31% vs 59.9%). We also determine the amount of phenotypic variance in DLB that can be explained by recent polygenic risk scores from either Parkinson's disease (PD) or Alzheimer's disease (AD), and show that, despite being highly significant, they explain a low amount of variance. Additionally, to identify pleiotropic events that might improve our understanding of the disease, we performed genetic correlation analyses of DLB with over 200 diseases and biomedically relevant traits. Our data shows that DLB has a positive correlation with education phenotypes, which is opposite to what occurs in AD. Overall, our data suggests that novel genetic risk factors for DLB should be identified by larger GWAS and these are likely to be independent from known AD and PD risk variants.

INTRODUCTION: Brain structural imaging is paramount for the diagnosis of behavioral variant of frontotemporal dementia (bvFTD), but it has low sensitivity leading to erroneous or late diagnosis. METHODS: A total of 515 subjects from two different bvFTD databases (training and validation cohorts) were included to perform voxel-wise deformation-based morphometry analysis to identify regions with significant differences between bvFTD and controls. A random forest classifier was used to individually predict bvFTD from morphometric differences in isolation and together with bedside cognitive scores. RESULTS: Average ten-fold cross-validation accuracy was 89% (82% sensitivity, 93% specificity) using only MRI and 94% (89% sensitivity, 98% specificity) with the addition of semantic fluency. In a separate validation cohort of genetically confirmed bvFTD, accuracy was 88% (81% sensitivity, 92% specificity) with MRI and 91% (79% sensitivity, 96% specificity) with added cognitive scores. DISCUSSION: The random forest classifier developed can accurately predict bvFTD at the individual subject level.