חיזוי באמצעות למידת מכונה וסיווג סיכון לירידה קוגניטיבית ב-12 חודשים במחלת האלצהיימר באמצעות נתונים קליניים שגרתיים ותמונות MRI

מדוע חיזוי הידרדרות בזיכרון חשוב

מחלת האלצהיימר גוזלת מאנשים את הזיכרון ואת יכולות החשיבה בהדרגה, אך לא כולם מגלים הידרדרות באותו קצב. חלק מהמטופלים מאבדים מספר נקודות במבחנים מנטליים פשוטים בתוך שנה, בעוד שאחרים נשארים יחסית יציבים. היכולת לדעת כבר בזמן האבחון מי צפוי להחמיר במהירות עשויה לסייע לרופאים לתכנן ביקורים, לתמוך במשפחות ולבחור מטופלים לניסויים קליניים של טיפולים חדשים. במחקר זה נבדקת השאלה האם מידע שרבים מהמכוני זיכרון אוספים כבר היום — מבחני חשיבה קצרים וסריקות מוח שגרתיות — ניתן לשלב עם שיטות מחשוב מודרניות כדי לחזות מי יתדרדר במהלך 12 החודשים הבאים.

מי נבדק ומה נמדד

החוקרים השתמשו בנתונים מיוזמת הדימות הנוירולוגי של מחלת האלצהיימר (ADNI), פרויקט ארוך-טווח שעוקב אחרי אנשים עם בעיות זיכרון באמצעות מבחנים סטנדרטיים ודימות מוחי. הם התמקדו ב-306 משתתפים שכבר אובחנו עם מחלת אלצהיימר והשלימו מבחן זיכרון הנקרא Mini-Mental State Examination או MMSE בתחילת המחקר ושוב לאחר שנה. ירידה של שלוש נקודות או יותר ב-MMSE לאורך 12 חודשים נחשבה להתדרדרות משמעותית. בתחילת המחקר כל נבדק סיפק מידע בסיסי כגון גיל, מין ושנות השכלה, השלים מספר שאלונים מפורטים על חשיבה ותפקוד יומיומי ועבר סריקת MRI של המוח שמדדה את נפחן של אזורים מרכזיים המעורבים בזיכרון.

כיצד נבנו מודלי המחשב

כדי לבדוק האם ניתן לחזות הידרדרות בטווח הקצר, הצוות בנה והשווה שני סוגי כלי חיזוי. הראשון היה נוסחה סטטיסטית פשוטה שהסתמכה רק על מספר מצומצם של מדדים ידידותיים למרפאה: גיל, מין וציונים בשני מבחני חשיבה סטנדרטיים. השני היה מודל גמיש יותר של למידת מכונה הידוע כיער אקראי (random forest), שיכול לשקול את מכלול ציוני הקליניקה יחד עם מדידות MRI כגון נפח ההיפוקמפוס וגודל החללים המלאים בנוזל המוח. הנתונים חולקו שוב ושוב לתת-קבוצות לאימון ולמבחן כך שהתוצאה של כל אדם חוּזה על ידי מודל שלא "ראה" את אותו אדם קודם, בדומה לאופן שבו הכלי יתנהג במטופלים חדשים.

כמה טוב המודלים חזו הידרדרות

כ-43% מהמשתתפים חוו ירידה משמעותית ב-MMSE לאורך 12 חודשים. שתי הגישות עבדו טוב יותר מהמקריות בזיהוי אותם אנשים. המודל הקליני הפשוט הגיע לרמת ביצוע שנחשבת בדרך כלל "בינונית" לכלי חיזוי רפואיים. מודל היער האקראי עשה טיפה יותר טוב בסך הכל והראה, חשיבותה, "תועלת נטו" גבוהה יותר על פני טווח רחב של ספי סיכון מעשיים. תועלת נטו היא דרך לאזן בין תחזיות נכונות ושגויות מול ההשלכות של פעולות בעקבותן — למשל, החלטה אילו מטופלים יש לעקוב מקרוב יותר או לשקול עבורם טיפול אינטנסיבי יותר. למרות שהמודל המורכב יותר לא היה מושלם והציג סימנים מסוימים של התאמה יתר, הוא סיפק בעקביות הדרכה שימושית יותר מאסטרטגיות שהניחו שכולם יירדו או שאיש לא יירד.

הפיכת הציונים לסיכון נמוך, בינוני וגבוה

כדי להקל על שימוש בתוצאות במרפאות, החוקרים תרגמו את תוצאת המודל לשלוש רצועות סיכון פשוטות. אנשים שהסיכון החזוי שלהם לירידה היה מתחת לרבע הוצבו בקבוצת סיכון נמוכה; רק כ-אחד מכל שמונה מהם אכן הידרדרו, וצייני המבחן הממוצעים שלהם כמעט לא השתנו לאחר שנה. אלה ברצועת הסיכון הבינונית היו עם סיכוי משוער של כ-אחד מתוך שלושה להידרדרות, ובממוצע איבדו סביב נקודה וחצי ב-MMSE. קבוצת הסיכון הגבוהה, עם סיכויים חזויים מעל חצי, חוותה הידרדרות בכ-שניים מתוך שלושה מטופלים ואיבוד ממוצע של יותר מארבע נקודות ב-MMSE. התבנית השלבית הברורה הזו מצביעה על כך שאפשר להפוך את הסתברויות המודל לקטגוריות מעשיות שיוכלו להנחות תדירות מעקב ואילו מטופלים עשויים להיות בעלי עדיפות להתנסות בניסויים או לבדיקות נוספות.

מה זה אומר למטופלים ולמרפאות

המחקר מראה כי באמצעות שילוב מבחני זיכרון שגרתיים עם סריקות MRI סטנדרטיות וניתוחם בעזרת שיטות מחשוב מודרניות, ניתן לאמוד במידה בינונית במדויק את סיכון המטופל האינדיבידואלי עם אלצהיימר לירידה בולטת במהלך השנה הקרובה. בעוד שהכלי עדיין צריך להיבדק ולהותאם בבתי חולים שונים ואוכלוסיות מגוונות יותר לפני שישמש בטיפול היומיומי, הוא מצביע על עתיד שבו לוחות זמנים למעקב והכללות לניסויים יותאמו למסלול הצפוי של כל אדם, במקום להתייחס לכל המטופלים כאילו מחלתם תתקדם בקצב אחיד.

ציטוט: Geng, Y., Zhang, H. Machine-learning prediction and risk stratification of 12-month cognitive decline in Alzheimer’s disease using routine clinical and MRI data. Sci Rep 16, 12227 (2026). https://doi.org/10.1038/s41598-026-43321-1

מילות מפתח: מחלת האלצהיימר, ירידה קוגניטיבית, למידת מכונה, דימות מוחי (MRI), סיווג סיכון