Modelli di apprendimento automatico per la previsione del rischio di demenza: evidenze dallo Sydney Memory and Ageing Study

Perché è importante per un invecchiamento sano

La demenza è una delle condizioni più temute nella tarda età, eppure molte persone ricevono una diagnosi solo quando i problemi di memoria e di pensiero sono già avanzati. Questo studio pone una domanda incoraggiante: usando informazioni che le cliniche già raccolgono — come età, test cognitivi semplici, glicemia e stato cardiaco — possiamo individuare chi ha maggiori probabilità di sviluppare demenza fino a un decennio prima? Se sì, i medici potrebbero concentrare il monitoraggio e gli interventi preventivi su chi ne ha più bisogno.

Uno sguardo più da vicino a uno studio sull’invecchiamento di lunga durata

I ricercatori si sono basati sullo Sydney Memory and Ageing Study, che ha seguito più di mille australiani di età pari o superiore a 70 anni e privi di demenza al momento dell’arruolamento. In circa dieci anni, alcuni partecipanti hanno sviluppato demenza, mentre altri no. All’inizio, tutti hanno svolto test dettagliati di memoria e capacità cognitive, questionari sull’umore e controlli medici comprensivi di esami del sangue e valutazioni della salute cardiaca e vascolare. Osservando quali caratteristiche iniziali erano più frequenti tra chi in seguito ha sviluppato demenza, il team ha potuto addestrare modelli informatici a riconoscere profili ad alto rischio.

Insegnare alle macchine a riconoscere il rischio futuro

Per costruire questi strumenti predittivi, gli autori hanno confrontato diversi metodi comuni di apprendimento automatico. Tutti i modelli hanno cercato di rispondere alla stessa domanda: dato l’insieme di informazioni di base di una persona, quanto è probabile che abbia demenza dieci anni dopo, assumendo che sia ancora in vita e valutata? Gli algoritmi sono stati addestrati su dati provenienti da circa il 70% dei partecipanti e poi testati sul restante 30% tenuto da parte come controllo non visto. Gli input includevano età, livello d’istruzione, sintomi dell’umore, punteggi cognitivi dettagliati, rapporto vita–fianchi, un punteggio standard di rischio per malattie cardiache e misure ematiche quali colesterolo, trigliceridi, acido urico, funzione renale, marcatori d’infiammazione e glicemia a digiuno. Un fattore di rischio genetico noto come APOE ε4 è stato esaminato in seguito come opzione aggiuntiva.

Quattro misure semplici racchiudono la maggior parte del segnale

Tra i diversi approcci, un metodo snello chiamato regressione LASSO ha funzionato al meglio. Pur partendo da molti candidati, questo modello ha mantenuto solo quattro predittori: età, prestazione cognitiva complessiva, glicemia a digiuno e un punteggio combinato di rischio cardiocircolatorio. Età più avanzata, glicemia più alta e un profilo cardiovascolare peggiore aumentavano la probabilità prevista, mentre punteggi cognitivi migliori la riducevano. Nel gruppo di test tenuto da parte, questo modello a quattro fattori riusciva a classificare correttamente una persona che avrebbe sviluppato demenza rispetto a una che non lo avrebbe fatto in circa tre casi su quattro, un livello considerato accettabile per strumenti di rischio clinico. Offriva inoltre un buon equilibrio tra cogliere i veri casi futuri ed evitare troppe false segnalazioni.

Ciò che non ha aggiunto molto e come usare lo strumento

In modo sorprendente, l’aggiunta dello stato genetico APOE ε4 al modello più performante non ha migliorato la sua accuratezza e ha lievemente peggiorato alcune misure, una volta che età, prestazione cognitiva, glicemia e rischio cardiaco erano già inclusi. Ciò suggerisce che, almeno in questo gruppo di anziani, la storia principale è raccontata dalle informazioni cliniche di routine più che dai test genetici o da biomarcatori sperimentali. Gli autori forniscono una formula semplice che può essere implementata in un foglio di calcolo per trasformare questi quattro valori in una stima del rischio di demenza a dieci anni, che può poi essere confrontata con una soglia suggerita per classificare una persona come “rischio elevato” o “rischio più basso”. Spiegano anche come i sistemi sanitari possano adattare il punto di partenza del modello se la demenza è più o meno comune nelle proprie popolazioni o in diverse fasce d’età.

Cosa significa per pazienti e clinici

Per ora, questo lavoro è una prova di principio più che un programma di screening pronto all’uso. Dimostra che un piccolo insieme di misure familiari — età, un test cognitivo strutturato, glicemia a digiuno e un punteggio standard di rischio cardiaco — può distinguere in modo significativo gli anziani in gruppi a rischio più basso o più alto di demenza fino a un decennio prima della diagnosi. Prima di essere adottato su larga scala, il modello va testato in altri paesi, con test cognitivi più semplici adatti alla pratica quotidiana e insieme a questioni del mondo reale su come pazienti e clinici reagiscono a stime probabilistiche del rischio. Tuttavia, il messaggio è incoraggiante: prestare attenzione alla salute del cervello, alla glicemia e alla salute cardiaca insieme può aiutare a identificare chi potrebbe trarre maggior beneficio da un monitoraggio più attento e da strategie preventive precoci.

Citazione: Chalmers, R.A., Cervin, M., Choo, C. et al. Machine learning models for dementia risk prediction: evidence from the Sydney Memory and Ageing Study. npj Dement. 2, 27 (2026). https://doi.org/10.1038/s44400-026-00071-1

Parole chiave: previsione del rischio di demenza, apprendimento automatico, invecchiamento cognitivo, salute cardiometabolica, rilevazione precoce