Modelos de aprendizado de máquina para previsão do risco de demência: evidências do Sydney Memory and Ageing Study

Por que isso importa para um envelhecimento saudável

A demência é uma das condições mais temidas da terceira idade, mas muitas pessoas só recebem o diagnóstico quando problemas de memória e raciocínio já estão avançados. Este estudo faz uma pergunta com potencial otimista: usando informações que clínicas já coletam — como idade, testes cognitivos simples, glicemia e saúde cardíaca — podemos identificar quem tem maior probabilidade de desenvolver demência até uma década antes? Se sim, os médicos poderiam concentrar monitoramento e esforços preventivos nas pessoas que mais precisam.

Um olhar mais atento a um estudo de envelhecimento de longa duração

Os pesquisadores usaram dados do Sydney Memory and Ageing Study, que acompanhou mais de mil australianos com 70 anos ou mais que estavam livres de demência ao ingressar no estudo. Ao longo de cerca de dez anos, alguns participantes desenvolveram demência e outros não. No início, todos realizaram testes detalhados de memória e função cognitiva, questionários sobre humor e exames médicos, incluindo exames de sangue e medidas da saúde do coração e dos vasos. Ao identificar quais características iniciais eram mais comuns entre os que depois desenvolveram demência, a equipe pôde treinar modelos computacionais para reconhecer perfis de alto risco.

Ensinando máquinas a identificar risco futuro

Para construir essas ferramentas de previsão, os autores compararam vários métodos comuns de aprendizado de máquina. Todos os modelos buscaram responder à mesma pergunta: dado o conjunto de informações basais de uma pessoa, qual a probabilidade de ela ter demência dez anos depois, supondo que esteja viva e avaliada? Os algoritmos foram treinados com dados de cerca de 70% dos participantes e depois testados nos 30% restantes, mantidos como verificação não vista. As entradas incluíam idade, escolaridade, sintomas de humor, escores cognitivos detalhados, razão cintura–quadril, um escore padrão de risco cardiovascular e medidas sanguíneas como colesterol, triglicerídeos, ácido úrico, função renal, marcadores de inflamação e glicemia de jejum. Um marcador genético de risco conhecido como APOE ε4 foi analisado posteriormente como um complemento opcional.

Quatro medidas simples carregam a maior parte do sinal

Entre as abordagens testadas, um método simplificado chamado regressão LASSO obteve o melhor desempenho. Apesar de partir de muitas variáveis candidatas, esse modelo manteve apenas quatro preditores: idade, desempenho cognitivo global, glicemia de jejum e um escore combinado de risco cardiovascular. Idade mais avançada, glicemia mais alta e perfil cardiovascular mais pobre aumentavam a previsão de risco, enquanto escores cognitivos melhores a reduziam. No grupo de teste retido, este modelo de quatro fatores conseguiu ordenar corretamente uma pessoa que teria demência acima de uma que não teria em cerca de três quartos das vezes, nível considerado aceitável para ferramentas clínicas de avaliação de risco. Também ofereceu um bom equilíbrio entre identificar verdadeiros casos futuros e evitar alarmes falsos em excesso.

O que pouco acrescentou e como usar a ferramenta

Surpreendentemente, adicionar o status genético APOE ε4 ao modelo de melhor desempenho não melhorou sua acurácia e até piorou ligeiramente algumas medidas, uma vez que idade, desempenho cognitivo, glicemia e risco cardíaco já estavam incluídos. Isso sugere que, ao menos nesse grupo de adultos mais velhos, a história principal é contada por informações clínicas de rotina, em vez de testes genéticos ou marcadores sanguíneos experimentais. Os autores fornecem uma fórmula simples que pode ser implementada em uma planilha para transformar esses quatro números em uma estimativa de risco de demência em dez anos, a qual pode então ser comparada a um ponto de corte sugerido para classificar alguém como “risco elevado” versus “risco mais baixo”. Eles também explicam como sistemas de saúde poderiam ajustar o ponto de partida do modelo se a demência for mais ou menos comum em suas populações ou em faixas etárias diferentes.

O que isso significa para pacientes e clínicos

Por enquanto, este trabalho é uma prova de conceito e não um programa de rastreamento pronto para uso amplo. Mostra que um pequeno conjunto de medidas familiares — idade, um teste estruturado de função cognitiva, glicemia de jejum e um escore padrão de risco cardíaco — pode classificar de forma significativa adultos mais velhos em grupos de risco mais baixo e mais alto para demência até uma década antes do diagnóstico. Antes de ser usado em larga escala, o modelo precisa ser testado em outros países, com testes cognitivos mais simples que se encaixem na prática cotidiana e junto a questões do mundo real sobre como pacientes e clínicos respondem a estimativas probabilísticas de risco. Ainda assim, a mensagem é encorajadora: atenção conjunta à saúde cerebral, ao controle da glicemia e à saúde cardíaca pode ajudar a identificar quem poderia se beneficiar mais de monitoramento mais próximo e de estratégias preventivas precoces.

Citação: 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

Palavras-chave: previsão de risco de demência, aprendizado de máquina, envelhecimento cognitivo, saúde cardiometabólica, detecção precoce