Machine-learningvoorspelling en risicostratificatie van cognitieve achteruitgang over 12 maanden bij de ziekte van Alzheimer met routinematige klinische en MRI-gegevens

Waarom het voorspellen van geheugenachteruitgang ertoe doet

De ziekte van Alzheimer berooft mensen geleidelijk van hun geheugen en denkvermogen, maar niet iedereen verslechtert in hetzelfde tempo. Sommige patiënten verliezen binnen een jaar meerdere punten op eenvoudige mentale tests, terwijl anderen relatief stabiel blijven. Kunnen voorspellen wie waarschijnlijk snel achteruitgaat op het moment van diagnose, kan artsen helpen afspraken te plannen, families te ondersteunen en geschikte patiënten te selecteren voor klinische onderzoeken naar nieuwe behandelingen. Deze studie onderzoekt of informatie die veel geheugenklinieken al verzamelen — korte denktests en routinematige hersenscans — gecombineerd met moderne computertechnieken kan voorspellen wie binnen de komende 12 maanden zal verslechteren.

Wie bestudeerd werd en wat werd gemeten

De onderzoekers gebruikten gegevens van de Alzheimer’s Disease Neuroimaging Initiative, een langlopend project dat mensen met geheugenproblemen volgt met gestandaardiseerde tests en hersenbeeldvorming. Ze richtten zich op 306 deelnemers die al een diagnose van de ziekte van Alzheimer hadden en die een geheugentest, de Mini-Mental State Examination (MMSE), bij aanvang van de studie en opnieuw een jaar later hadden afgelegd. Een daling van drie of meer MMSE-punten over 12 maanden werd beschouwd als een betekenisvolle achteruitgang. Aan het begin gaf iedere persoon basisinformatie zoals leeftijd, geslacht en aantal jaren opleiding, vulde meerdere gedetailleerde vragenlijsten over denkvermogen en dagelijkse functies in, en onderging een hersen-MRI-scan waarin de omvang van belangrijke hersengebieden die bij geheugen betrokken zijn werd gemeten.

Hoe de computermodellen werden gebouwd

Om te onderzoeken of kortetermijnachteruitgang te voorspellen was, bouwde en vergeleek het team twee soorten voorspellingsinstrumenten. De eerste was een eenvoudige statistische formule die slechts een handvol kliniekvriendelijke metingen gebruikte: leeftijd, geslacht en scores op twee standaard denktests. De tweede was een flexibeler machine-learningmodel, bekend als een random forest, dat de volledige set klinische scores kon meenemen samen met MRI-maatregelen zoals hippocampale volume en de grootte van de met vloeistof gevulde ruimtes in de hersenen. De gegevens werden herhaaldelijk opgesplitst in trainings- en testsubsets zodat de uitkomst van elke persoon werd voorspeld door een model dat die persoon nog niet had "gezien", wat nabootst hoe het hulpmiddel in nieuwe patiënten zou kunnen werken.

Hoe goed de modellen achteruitgang voorspelden

Ongeveer 43% van de deelnemers ervoer een betekenisvolle daling van de MMSE over 12 maanden. Beide benaderingen presteerden beter dan toeval bij het identificeren van deze personen. Het eenvoudige klinische model bereikte een prestatieniveau dat gewoonlijk als "matig" wordt beschouwd voor medische voorspellingsinstrumenten. Het random-forestmodel presteerde iets beter in het algemeen en liet, belangrijker nog, een grotere "netto-baat" zien over een breed scala aan praktische risicodrempels. Netto-baat is een manier om juiste en onjuiste voorspellingen af te wegen tegen de gevolgen van handelen op basis van die voorspellingen — bijvoorbeeld beslissen welke patiënten nauwkeuriger moeten worden gevolgd of in aanmerking komen voor intensievere zorg. Hoewel het complexere model niet perfect was en tekenen van overfitting vertoonde, gaf het consequent nuttigere aanwijzingen dan strategieën die veronderstelden dat iedereen zou verslechteren of dat niemand zou verslechteren.

Scores omzetten in laag, midden en hoog risico

Om de resultaten voor klinieken gemakkelijker toepasbaar te maken, vertaalden de onderzoekers de output van het model naar drie eenvoudige risicogroepen. Mensen van wie de voorspelde kans op achteruitgang onder een kwart lag, vormden een laag- risicogroep; slechts ongeveer één op de acht van hen ging daadwerkelijk achteruit en hun gemiddelde testscores waren na een jaar vrijwel onveranderd. Degenen in de middengroep hadden grofweg een kans van één op drie op achteruitgang en verloren gemiddeld ongeveer anderhalf MMSE-punt. De hoogrisicogroep, met voorspelde kansen boven een half, zag bij ongeveer twee op de drie patiënten een achteruitgang en een gemiddeld verlies van meer dan vier MMSE-punten. Dit duidelijke stapsgewijze patroon suggereert dat de modelkansen in praktische categorieën kunnen worden omgezet die richting geven aan hoe vaak patiënten worden gezien en welke patiënten mogelijk prioriteit krijgen voor trials of aanvullende tests.

Wat dit betekent voor patiënten en klinieken

De studie toont aan dat door routinematige geheugentests te combineren met standaard MRI-scans en deze te analyseren met moderne computertechnieken, het mogelijk is om redelijk nauwkeurig het risico van een individuele Alzheimerpatiënt op merkbare achteruitgang binnen een jaar in te schatten. Hoewel het hulpmiddel nog gecontroleerd en aangepast moet worden in verschillende ziekenhuizen en in meer diverse populaties voordat het in de dagelijkse zorg kan worden gebruikt, wijst het op een toekomst waarin vervolgafspraken en deelname aan trials worden afgestemd op ieders waarschijnlijke beloop, in plaats van alle patiënten te behandelen alsof hun ziekte in hetzelfde tempo zal verlopen.

Bronvermelding: 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

Trefwoorden: Ziekte van Alzheimer, cognitieve achteruitgang, machine learning, hersenen MRI, risicostratificatie