Modele uczenia maszynowego do przewidywania ryzyka demencji: dowody z Sydney Memory and Ageing Study

Dlaczego ma to znaczenie dla zdrowego starzenia się

Demencja jest jedną z najbardziej obawianych chorób w późniejszym wieku, lecz wiele osób otrzymuje diagnozę dopiero, gdy problemy z pamięcią i myśleniem są już zaawansowane. W badaniu postawiono optymistyczne pytanie: czy korzystając z informacji, które kliniki już zbierają — takich jak wiek, proste testy poznawcze, poziom cukru we krwi i stan serca — można wskazać osoby bardziej narażone na rozwój demencji nawet na dekadę przed jej wystąpieniem? Jeśli tak, lekarze mogliby skupić monitorowanie i działania zapobiegawcze na tych, którzy najbardziej tego potrzebują.

Bliższe spojrzenie na długoletnie badanie starzenia się

Naukowcy korzystali z Sydney Memory and Ageing Study, który obejmuje obserwację ponad tysiąca Australijczyków w wieku 70 lat i więcej, wolnych od demencji w chwili włączenia do badania. W ciągu około dziesięciu lat część uczestników rozwinęła demencję, inni nie. Na początku wszyscy wykonywali szczegółowe testy pamięci i funkcji poznawczych, wypełniali kwestionariusze dotyczące nastroju oraz poddawali się badaniom lekarskim, w tym badaniom krwi i pomiarom zdrowia serca oraz naczyń. Analizując, które cechy początkowe występowały najczęściej u osób, które później rozwinęły demencję, zespół mógł wytrenować modele komputerowe do rozpoznawania profili o wysokim ryzyku.

Nauczanie maszyn rozpoznawania przyszłego ryzyka

Aby zbudować narzędzia predykcyjne, autorzy porównali kilka powszechnych metod uczenia maszynowego. Wszystkie modele starały się odpowiedzieć na to samo pytanie: mając informację wyjściową o danej osobie, jak duże jest prawdopodobieństwo rozwoju demencji za dziesięć lat, zakładając, że osoba jest nadal żywa i oceniana? Algorytmy komputerowe trenowano na danych z około 70 procent uczestników, a następnie testowano na pozostałych 30 procentach, odłożonych jako niewidziana próba kontrolna. Do wejść włączono wiek, wykształcenie, objawy nastroju, szczegółowe wyniki testów poznawczych, stosunek talii do bioder, standardowy wskaźnik ryzyka chorób serca oraz markery z krwi takie jak cholesterol, triglicerydy, kwas moczowy, funkcja nerek, markery zapalenia i glukoza na czczo. Markera genetycznego APOE ε4 rozważano później jako opcjonalne uzupełnienie.

Cztery proste miary niosą większość sygnału

Spośród różnych podejść najlepiej sprawdziła się uproszczona metoda zwana regresją LASSO. Pomimo dużej liczby kandydatów, model ten zachował tylko cztery predyktory: wiek, ogólną wydajność poznawczą, glukozę na czczo oraz łączny wskaźnik ryzyka naczyń i serca. Starszy wiek, wyższy poziom glukozy i gorszy profil kardiometaboliczny podnosiły przewidywane ryzyko, podczas gdy lepsze wyniki testów poznawczych obniżały je. W grupie testowej odłożonej na ocenę model czteroczynnikowy był w stanie poprawnie ustawić osobę, która w przyszłości rozwinęła demencję, wyżej niż osobę bez demencji w około trzech czwartych przypadków — poziom uważany za akceptowalny dla narzędzi klinicznych. Model oferował też dobry kompromis między wykrywaniem prawdziwych przyszłych przypadków a unikaniem nadmiernej liczby fałszywych alarmów.

Co niewiele dodało i jak używać narzędzia

Co zaskakujące, dodanie statusu genetycznego APOE ε4 do najlepiej działającego modelu nie poprawiło jego dokładności, a niektóre miary nawet nieznacznie pogorszyło, gdy wiek, wydajność poznawcza, poziom cukru i ryzyko sercowo-naczyniowe były już uwzględnione. Sugeruje to, że przynajmniej w tej grupie starszych dorosłych główną informację dostarczają rutynowe dane kliniczne, a nie badania genetyczne czy eksperymentalne markery krwi. Autorzy przedstawiają prosty wzór, który można zaimplementować w arkuszu kalkulacyjnym, aby przeliczyć te cztery wartości na szacowane dziesięcioletnie ryzyko demencji, a następnie porównać je z proponowanym progiem klasyfikującym osobę jako „zwiększone ryzyko” lub „niższe ryzyko”. Wyjaśniają też, jak systemy opieki zdrowotnej mogłyby dostosować wartość wyjściową modelu, jeśli demencja jest częstsza lub rzadsza w ich populacjach albo w różnych przedziałach wiekowych.

Co to oznacza dla pacjentów i lekarzy

Na razie to raczej dowód koncepcji niż gotowy program przesiewowy. Pokazuje, że niewielki zestaw dobrze znanych miar — wiek, ustrukturyzowany test poznawczy, glukoza na czczo i standardowy wskaźnik ryzyka sercowego — może istotnie podzielić starsze osoby na grupy o niższym i wyższym ryzyku demencji na nawet dziesięć lat przed diagnozą. Zanim model zostanie szeroko wdrożony, trzeba go przetestować w innych krajach, z prostszymi testami poznawczymi lepiej dopasowanymi do codziennej praktyki, oraz w kontekście rzeczywistych pytań o to, jak pacjenci i lekarze reagują na probabilistyczne oceny ryzyka. Mimo to przesłanie jest zachęcające: zwracanie uwagi na zdrowie mózgu, poziom cukru we krwi i kondycję serca razem może pomóc zidentyfikować osoby, które najbardziej skorzystają z bliższego monitorowania i wczesnych strategii zapobiegawczych.

Cytowanie: 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

Słowa kluczowe: przewidywanie ryzyka demencji, uczenie maszynowe, starzenie poznawcze, zdrowie kardiometaboliczne, wczesne wykrywanie