Maschinelles Lernen sagt anhand routinemäßiger Klinikdaten voraus, wer bei der Alzheimer-Krankheit schneller abnehmen wird

Durch die Nutzung alltäglicher klinischer Beurteilungen zeigen Forscher, dass personalisierte 12-Monats-Prognosen kognitiver und funktioneller Veränderungen bei Demenz ohne teure Bildgebung oder invasive Tests erzielt werden können.

Studiendesign und Analysepipeline. Klinische Bewertungen werden in regelmäßigen Abständen während der Minder-Studie gesammelt (a). Zu den Merkmalen, die für die statistische Analyse und prädiktive Modellierung verwendet werden, gehören klinische Bewertungsergebnisse, Teilnehmerdemographie und Komorbiditäten (b). Die Teilnehmer wurden zunächst auf der Grundlage ihrer relativen Verläufe des kognitiven und funktionellen Rückgangs gruppiert und entsprechend profiliert (c), Vorhersagemodelle des kognitiven und funktionellen Rückgangs wurden mithilfe eines verschachtelten Kreuzvalidierungsansatzes verfeinert und bewertet (d) und Modelle wurden für jedes Ergebnismaß ausgewählt und finalisiert (e). Schließlich wurde ein Entscheidungsunterstützungstool entwickelt, um beide Vorhersagemodelle im klinischen Umfeld einzusetzen (f). MMSE: Mini-Mental State Exam, ADAS-Cog: Alzheimer’s Disease Assessment Scale-Cognitive Subscale, BADL: Bristol Activities of Daily Living

In einer kürzlich in der Zeitschrift veröffentlichten Studie Kommunikationsmedizinentwickelte und validierte eine Gruppe von Forschern skalierbare Modelle für maschinelles Lernen, die 12-monatige Mini-Mental State Examination (MMSE)- und Bristol Activities of Daily Living (BADL)-Scores vorhersagen und individuelle Prognosen kognitiver und funktioneller Verläufe bei Alzheimer-Krankheit (AD) und leichter kognitiver Beeinträchtigung (MCI) anhand routinemäßig erfasster klinischer Daten ermöglichen.

Hintergrund und klinischer Bedarf

Fast 60 Millionen Menschen weltweit leben mit Demenz, und diese Zahl wird sich bis 2050 voraussichtlich verdoppeln. Familien fragen sich oft, wie schnell AD oder MCI fortschreiten können, da jeder Mensch anders mit den Folgen konfrontiert ist. Bei manchen Menschen verschlechtert sich der Gesundheitszustand schnell, bei anderen bleibt er jahrelang stabil. Aktuelle Leitlinien, die auf durchschnittlichen Patientendaten basieren, erfassen diese Variabilität häufig nicht. Präzise, ​​zugängliche Tools, die Vorhersagen personalisieren, könnten die Pflegeplanung verändern, aber es bedarf weiterer Forschung, um skalierbare und klinisch brauchbare Prognosemodelle zu entwickeln.

Studiendesign und Datenquellen

Klinische, demografische und medizinhistorische Daten wurden aus der Minder Health Management Study im Vereinigten Königreich gewonnen, einer laufenden Längsschnittstudie an Menschen mit Demenz. Die Forscher schlossen nur AD- oder MCI-Patienten mit Nachbeobachtungsdaten von mindestens einem Jahr ein. Jeder einzelne, sich nicht überschneidende 12-Monats-Zeitraum wurde als unabhängiger klinischer Verlauf betrachtet, eine analytische Annahme, die wiederholte Zeiträume derselben Person als statistisch unabhängig behandelt. Über drei Jahre hinweg wurden 153 solcher 12-Monats-Trajektorien identifiziert, von denen 79 für die kognitive Modellierung und 74 für die funktionale Modellierung geeignet waren.

Zu den Basismerkmalen gehörten Alter, Geschlecht, Komorbiditäten, die aus elektronischen Gesundheitsakten mithilfe der Internationalen statistischen Klassifikation von Krankheiten und verwandten Gesundheitsproblemen abgeleitet wurden, Kategorien der 10. Revision und detaillierte Unterpunktbewertungen aus drei Bewertungen: der Mini-Mental State Examination (MMSE), der Alzheimer’s Disease Assessment Scale-Cognitive Subscale (ADAS-Cog) und den Bristol Activities of Daily Living (BADL).

Zur Schätzung der 12-Monats-MMSE- und BADL-Scores wurden zwei ElasticNet-Regressionsmodelle angepasst. Die Leistung wurde mit einer verschachtelten Kreuzvalidierung geschätzt. Sie bewerteten die Gesamtgenauigkeit des Modells anhand von drei Metriken: Mittlerer absoluter Fehler (MAE), mittlerer quadratischer Fehler (MSE) und Bestimmtheitsmaß (R²). Die externe Validierung des kognitiven Modells wurde an 741 Trajektorien aus der Kohorte der Alzheimer’s Disease Neuroimaging Initiative durchgeführt. Eine externe Validierung wurde nur für das MMSE-Modell durchgeführt, da in der ADNI-Kohorte keine vergleichbaren BADL-Daten verfügbar waren.

Kognitive und funktionale Vorhersageleistung

In der Minder-Kohorte betrug der durchschnittliche 12-Monats-MMSE-Rückgang -1,7 Punkte (Standardabweichung 3,0), während der durchschnittliche BADL-Rückgang -4,1 Punkte (Standardabweichung 5,5) betrug, was auf eine erhebliche Variabilität im Verlauf hinweist.

Das leistungsstärkste kognitive Modell, basierend auf der ElasticNet-Regression, prognostizierte 12-Monats-MMSE-Werte mit einem MAE von 1,84 Punkten (95 % Cl: 1,64–2,04) und einem R² von 0,74. Die externe Validierung des Datensatzes der Alzheimer’s Disease Neuroimaging Initiative ergab einen vergleichbaren MAE von 2,19, trotz demografischer und grundlegender Schweregradunterschiede zwischen den Kohorten. Wichtig ist, dass der Vorhersagefehler in beiden Datensätzen unter der Standardabweichung des Rückgangs blieb, ein Vergleich, den die Autoren als Hinweis auf klinisch bedeutsame Genauigkeit interpretieren, obwohl keine formalen klinischen Entscheidungsschwellen vordefiniert wurden.

Das Funktionsmodell prognostizierte 12-Monats-BADL-Werte mit einem MAE von 3,88 Punkten (95 % Cl: 3,46–4,30) und einem R² von 0,77, was eine ähnlich starke Leistung zeigt.

Wichtige Prädiktoren für den Niedergang

Die Gesamtpunktzahl zu Studienbeginn allein konnte die Progressionsraten nicht vollständig erklären. Stattdessen waren bestimmte kognitive und funktionelle Subdomänen äußerst prädiktiv. Was den kognitiven Rückgang anbelangt, war eine geringere Basisleistung in der ideellen Praxis, beim Erinnern an Wörter, in der gesprochenen Sprache, bei der Worterkennung sowie bei MMSE-Orientierung und visuell-räumlichen Elementen ein deutlicher Hinweis auf einen steileren MMSE-Abfall.

Zu den stärksten Prädiktoren für den Funktionsverlust gehörten die Unabhängigkeit bei der Essens- und Getränkezubereitung, der Verwaltung der Finanzen, beim Anziehen, beim Einkaufen und bei der Ausübung von Hobbys. Bei Personen, die in diesen Bereichen bereits Probleme hatten, war die Wahrscheinlichkeit größer, dass sie im Laufe von 12 Monaten einen größeren Verlust an Unabhängigkeit erlebten. Das Alter war auch signifikant mit einem schnelleren Funktionsverlust verbunden.

Interessanterweise waren Komorbiditäten in beiden Modellen keine starken Prädiktoren. Modelle schnitten ohne Komorbiditätsmerkmale ähnlich oder etwas besser ab, insbesondere bei der funktionellen Vorhersage, was darauf hindeutet, dass detaillierte kognitive und funktionelle Grundlinienmuster ein größeres prognostisches Gewicht hatten als breite Krankheitskategorien.

Die Forscher nutzten Shapley Additive Explanations (SHAP), um zu zeigen, wie jeder Faktor zum Ergebnis des Modells beiträgt, wodurch es einfacher wird, die Leistung ihres Systems zu analysieren. Diese Analysen zeigen, dass die Vorhersagen für jeden Patienten auf der Grundlage seines spezifischen kognitiven und funktionellen Profils personalisiert sind.

Klinische Übersetzung und Implementierung

Die Ergebnisse deuten darauf hin, dass es möglich ist, verlässliche individuelle Vorhersagen über das Fortschreiten der Demenz allein auf der Grundlage häufig erhobener klinischer Bewertungen zu erstellen, ohne dass Neuroimaging oder Liquor-Biomarker erforderlich sind. Das Team implementierte außerdem ein klinikorientiertes Entscheidungsunterstützungstool namens Theia, das neben SHAP-basierten Erklärungen vorhergesagte 12-Monats-Scores generiert, um die Interpretierbarkeit in der Praxis zu verbessern. Die relativ bescheidene Stichprobengröße, die für die Modellentwicklung verwendet wird, und die Verwendung von Forschungskohortendaten für die externe Validierung lassen jedoch darauf schließen, dass eine umfassendere multizentrische Validierung in Routineversorgungspopulationen vor einer breiten Einführung wichtig sein wird.

Schlussfolgerungen

Zwei Modelle für maschinelles Lernen verwendeten nur routinemäßig erfasste klinische Beurteilungen, demografische Informationen und die Krankengeschichte und prognostizierten die 12-Monats-MMSE- und BADL-Ergebnisse bei AD und MCI genau. Die Modelle zeigten eine starke interne Validität und externe Validierung für kognitive Vorhersagen mit klinisch bedeutsamen Fehlermargen. Wichtig ist, dass bestimmte Teilbereiche der kognitiven Fähigkeiten und des Alltagslebens prädiktiver waren als die Gesamtpunktzahl allein. Sie stellen hochgradig translatorische, skalierbare und interpretierbare Werkzeuge dar. Wenn sie im klinischen Kontext angewendet werden, können sie bei der individuellen Pflegeplanung helfen, die Ressourcennutzung verbessern und den Patienten und ihren Familien klarere Erwartungen vermitteln, indem sie präzise Prognosen in die tägliche Demenzpflege einführen.

Quellen: