Het voorspellen van het tempo van cognitieve en functionele achteruitgang bij de ziekte van Alzheimer en milde cognitieve stoornis

Waarom dit belangrijk is voor families die met dementie te maken hebben

Dementie volgt geen vast patroon. Sommige mensen verliezen snel hun geheugen en zelfstandigheid, terwijl anderen veel langzamer veranderen. Voor families die zorg, financiën en huisvesting moeten plannen, kan deze onzekerheid beangstigend zijn. Deze studie onderzoekt of informatie die klinieken al tijdens controles verzamelen kan worden gebruikt om mensen met de ziekte van Alzheimer of milde cognitieve stoornis — en hun behandelaars — een duidelijker beeld te geven van hoe het denken en de dagelijkse vaardigheden waarschijnlijk zullen veranderen in het komende jaar.

Alledaagse kliniekbezoeken omzetten in voorspellingen

De onderzoekers volgden een groep mensen in het Verenigd Koninkrijk met de ziekte van Alzheimer of milde cognitieve stoornis. Gedurende meerdere jaren vulden deze deelnemers regelmatig drie soorten eenvoudige tests in: korte vragen die geheugen en oriëntatie onderzoeken, meer gedetailleerde taken die taal en probleemoplossing toetsen, en vragenlijsten over hoe zelfstandig ze dagelijkse activiteiten uitvoeren, zoals aankleden, koken en omgaan met geld. Daarnaast werden basisgegevens zoals leeftijd, geslacht en andere medische aandoeningen vastgelegd. In plaats van te vertrouwen op dure hersenscans of ruggenmergvochtanalyses, richtte het team zich bewust op dit soort routinematige, goedkope informatie die in de meeste geheugenzorgverleningen beschikbaar is, ook in omgevingen met beperkte middelen.

Computers leren individuele trajecten volgen

Met 153 éénjaarstrajecten van testscores uit de Britse cohorte trainden de onderzoekers machine-learningmodellen om te voorspellen waar iemands scores 12 maanden na een startbezoek zouden staan. Één model concentreerde zich op het denkvermogen, met een veelgebruikt screeningsinstrument; het andere op zelfstandigheid in het dagelijks leven. De modellen bekeken niet alleen de totale testscores, maar ook het patroon van sterke en zwakke punten over specifieke vragen, zoals het onthouden van woorden, het begrijpen van gesproken taal of het bereiden van eten. De onderzoekers probeerden verschillende typen algoritmen en gebruikten rigoureuze kruisvalidatie om overfitten op deze relatief kleine dataset te voorkomen.

Hoe goed de voorspellingen waren

De best presterende modellen waren een type geavanceerd lineair model dat eenvoud en flexibiliteit in evenwicht brengt. Voor denkvermogen lagen de voorspellingen doorgaans binnen ongeveer twee punten van de werkelijke score een jaar later, zowel in de Britse groep als in een veel grotere, onafhankelijke set van 741 éénjaarstrajecten uit een internationaal Alzheimer-onderzoeksproject. Voor dagelijks functioneren zat het model meestal binnen ongeveer vier punten op een schaal die zelfstandigheid in taken zoals aankleden, boodschappen doen en financiële zaken meten. De modellen brachten ook naar voren welke basisvaardigheden het meest informatief waren. Problemen met plannen en uitvoeren van handelingen, georiënteerd blijven en het onthouden van woorden waren bijzonder veelbetekenend voor toekomstige achteruitgang van het denken, terwijl moeilijkheden met voedselbereiding, geldbeheer en aankleden duidden op een sneller verlies van zelfstandigheid.

Wat achteruitgang in het dagelijks leven aandrijft

Door de interne werking van de modellen te onderzoeken, vonden de onderzoekers dat veranderingen in denken vaak latere veranderingen in alledaagse functie voorspelden. Gedetailleerde cognitieve tests, vooral die gericht op woordherinnering en herkenning, hielpen voorspellen wie het jaar daarop meer moeite zou hebben met dagelijkse taken. In tegenstelling daarmee voegde informatie over andere chronische gezondheidsproblemen weinig toe aan de voorspellingen binnen dit éénjaarvenster, althans wanneer die in brede ziektecategorieën werden gegroepeerd. Leeftijd speelde ook een rol bij het voorspellen van toekomstig verlies van zelfstandigheid. Belangrijk is dat de studie aantoonde dat totaalscores op zichzelf minder informatief waren dan het fijnmaziger patroon binnen elke test, wat het idee versterkt dat niet alle vormen van cognitieve problemen hetzelfde risico op snelle achteruitgang met zich meebrengen.

Een nieuw soort planningsinstrument voor klinieken

Om hun werk aan het bed nuttig te maken, bouwde het team een prototype van een beslissingsondersteunende app, Theia geheten, die deze voorspellingsmodellen op de achtergrond draait. Behandelaars kunnen iemands routinematige testscores, leeftijd, geslacht en medische voorgeschiedenis invoeren en geschatte scores voor denken en dagelijks functioneren één jaar vooruit ontvangen. De app produceert ook eenvoudige visuele verklaringen die laten zien welke aspecten van iemands huidige vaardigheden de voorspelling naar snellere of tragere achteruitgang duwen. Deze transparantie is bedoeld om behandelaars te helpen het hulpmiddel te vertrouwen en te interpreteren, in plaats van het als een 'black box' te behandelen.

Wat dit kan betekenen voor mensen die met dementie leven

De studie suggereert dat informatie die al in veel geheugenzorgverleningen wordt verzameld, kan worden benut om meer persoonsgerichte, data-gestuurde voorspellingen te doen van cognitieve en functionele achteruitgang over het komende jaar. Hoewel deze voorspellingen niet perfect zijn, zijn ze nauwkeurig genoeg om gesprekken te begeleiden over toekomstige zorgbehoeften, veiligheid en financiële- en huisvestingsplannen. Omdat de modellen steunen op goedkope, veelgebruikte assessments, hebben ze het potentieel om behandelaars niet alleen in gespecialiseerde centra, maar ook in gewone klinieken en omgevingen met beperkte middelen te ondersteunen. Als ze verder gevalideerd en verfijnd worden, zouden hulpmiddelen zoals Theia mensen met de ziekte van Alzheimer of milde cognitieve stoornis en hun families meer gevoel van paraatheid en controle kunnen geven in het licht van een vaak onvoorspelbare ziekte.

Bronvermelding: Fogel, A., Walsh, C., Fletcher-Lloyd, N. et al. Predicting rates of cognitive and functional decline in Alzheimer’s disease and mild cognitive impairment. Commun Med 6, 193 (2026). https://doi.org/10.1038/s43856-026-01432-w

Trefwoorden: Ziekte van Alzheimer, progressie van dementie, machine learning, cognitieve achteruitgang, activiteiten van het dagelijks leven