Integratie van machine learning met seriële bloedbiomarkers verbetert voorspelling van cognitieve achteruitgang bij vroeg stadium van de ziekte van Parkinson

Waarom dit onderzoek ertoe doet

Veel mensen associëren de ziekte van Parkinson met bewegingsstoornissen, maar veranderingen in geheugen en denken behoren tot de meest invaliderende gevolgen. Tot vier op de vijf mensen met Parkinson ontwikkelen uiteindelijk ernstige cognitieve problemen, wat de zorgkosten verdubbelt en een zware belasting legt op gezinnen. Artsen vinden het echter nog steeds moeilijk om vroeg vast te stellen wie het meest risico loopt. Deze studie onderzoekt of eenvoudige, herhaalde bloedtesten gecombineerd met moderne computermodellen beter kunnen voorspellen wie in de eerste jaren na de diagnose cognitieve achteruitgang zal doormaken.

Patiënten over tijd volgen

De onderzoekers maakten gebruik van de Early Parkinson’s Disease Longitudinal Singapore (PALS) cohort, een zorgvuldig gevolgde groep van 193 recent gediagnosticeerde Parkinsonpatiënten. De deelnemers waren gemiddeld ongeveer 64 jaar, met bij aanvang meestal milde tot matige motorische klachten. Ze werden vijf jaar gevolgd, met jaarlijkse cognitieve tests via de Montreal Cognitive Assessment en bloedafnames bij de start, na drie jaar en na vijf jaar. Cognitieve achteruitgang werd gedefinieerd als een aanhoudende daling in testuitslagen over de tijd, groot genoeg om relevant te zijn voor het dagelijks leven maar nog vroeg genoeg om een kans op interventie te bieden.

Bloedsignalen uit de hersenen

Het team concentreerde zich op twee eiwitten in bloed die schade in de hersenen weerspiegelen: neurofilament light chain (NfL), een marker voor schade aan zenuwvezels, en totaal tau (t-tau), geassocieerd met degeneratie van zenuwcellen en vaak besproken in de context van de ziekte van Alzheimer. In plaats van naar één momentopname te kijken, vatten zij ieders drie metingen samen met eenvoudige beschrijvingen: het laagste, hoogste, gemiddelde en hoe sterk de waarden fluctueerden. Ze registreerden ook andere gezondheidsinformatie zoals leeftijd, opleidingsniveau, bloeddruk, cholesterolproblemen en de uitgangsscore voor cognitieve tests. Over vijf jaar liet bijna één op de vier deelnemers cognitieve achteruitgang zien, waardoor de wetenschappers degenen die achteruitgingen konden vergelijken met degenen die stabiel bleven.

Computers leren patronen herkennen

Om dit complexe mengsel van factoren te doorgronden, gebruikten de onderzoekers meerdere machine-learningmethoden—computeralgoritmen die patronen uit data leren. Ze gebruikten eerst drie verschillende technieken om de meest informatieve variabelen te selecteren uit ongeveer 30 kandidaten. Over de methoden heen kwamen telkens dezelfde kenmerken naar voren: de dynamische samenvattingen van t-tau en NfL, en de diastolische bloeddruk (het “onderste getal”) gemeten zowel liggend als staand. Vervolgens trainden ze vijf typen voorspellende modellen op combinaties van deze kenmerken en testten hoe goed elk model patiënten die later zouden achteruitgaan kon onderscheiden van degenen die dat niet deden, waarbij de area under the receiver operating characteristic curve (AUC) werd gebruikt als maat voor nauwkeurigheid.

Beter voorspellen met veranderende biomarkers

Het centrale resultaat was dat modellen die tijdsvariërende bloedmetingen gebruikten duidelijk beter presteerden dan modellen die alleen op basis van initiële gegevens werkten. Wanneer de algoritmen alleen de initiële klinische en laboratoriumwaarden kregen, was de prestatie mager (beste AUC rond 0,56, nauwelijks beter dan toeval). Wanneer samenvattingen van hoe t-tau en NfL veranderden over drie meetmomenten werden toegevoegd, steeg de nauwkeurigheid substantieel, met AUC-waarden tussen ongeveer 0,64 en 0,76 afhankelijk van de methode. Het best presterende model, een aanpak genaamd XGBoost die slechts een dozijn zorgvuldig geselecteerde kenmerken gebruikte, behaalde een AUC van 0,81. In dit model vormden hoge en instabiele t-tau-niveaus en verhoogde diastolische bloeddruk bijzonder sterke waarschuwingssignalen, terwijl veranderingen in NfL ook bijdroegen maar iets minder dominant waren. Aantal jaren scholing had een beschermend effect, in overeenstemming met het idee dat een grotere “cognitieve reserve” het brein kan helpen schade te weerstaan.

Gevolgen voor zorg en klinische toetsen

Deze bevindingen wijzen op praktische manieren om de zorg bij Parkinson van reactief naar preventief te bewegen. Omdat bloedtesten voor t-tau en NfL minimaal invasief zijn en steeds vaker beschikbaar komen, zouden klinieken in principe patiënten elke paar jaar kunnen monitoren en die met bloeddrukmetingen combineren in een geautomatiseerde risicocalculator. Mensen die als hoog risico worden aangemerkt, kunnen nauwer cognitief gevolgd worden, gerichte bloeddrukbehandeling krijgen en eerder toegang tot rehabilitatie of klinische onderzoeken naar ziekte-modificerende middelen, met name die zich richten op tau of verwante paden. De modellen suggereren ook een manier om klinische onderzoeken te “verrijken” door zich te richten op het ongeveer kwart van de patiënten dat het meest waarschijnlijk achteruitgaat, waardoor het gemakkelijker wordt behandelingseffecten met minder deelnemers aan te tonen.

Wat dit betekent voor patiënten

Voor mensen met Parkinson en hun families biedt de studie voorzichtige optimisme. Het levert nog geen direct klinisch toepasbare test op en het werk moet worden bevestigd in grotere en diversere groepen. Maar het toont aan dat eenvoudige, herhaalde bloedtesten—gecombineerd met bloeddruk en basisachtergrondinformatie—computers kunnen helpen zinvolle voorspellingen te doen over wie een risicovollere koers voor cognitieve problemen volgt. Simpel gezegd lijkt het volgen van hoe bepaalde hersengerelateerde eiwitten en de bloeddruk zich in de loop van de tijd gedragen meer te zeggen dan één enkele meting. Als deze bevindingen worden gevalideerd, zouden zulke hulpmiddelen artsen kunnen helpen de opvolging te personaliseren, zich te richten op wijzigbare risico’s zoals bloeddruk, en eerder steun te plannen, met als doel het behoud van cognitieve functies en zelfstandigheid zo lang mogelijk te verlengen.

Bronvermelding: Mohammadi, R., Ng, S.Y.E., Tan, J.Y. et al. Machine learning integration of serial blood biomarkers enhances cognitive decline prediction in early Parkinson’s disease. npj Parkinsons Dis. 12, 87 (2026). https://doi.org/10.1038/s41531-026-01298-8

Trefwoorden: Ziekte van Parkinson, cognitieve achteruitgang, bloedbiomarkers, machine learning, tau-eiwit