Интеграция последовательных кровяных биомаркеров с помощью машинного обучения улучшает прогнозирование когнитивного снижения на ранней стадии болезни Паркинсона

Почему это исследование важно

Многие представляют себе болезнь Паркинсона прежде всего как расстройство движений, однако изменения памяти и мышления — одни из самых изнуряющих её проявлений. До четырех из пяти пациентов с болезнью Паркинсона в конечном итоге развивают серьёзные когнитивные нарушения, что удваивает затраты на здравоохранение и создаёт большую нагрузку на семьи. При этом врачам по‑прежнему трудно рано выделить тех, кто находится в наибольшем риске. В этом исследовании изучается, могут ли простые повторные анализы крови в сочетании с современными компьютерными моделями лучше прогнозировать, у кого в первые годы после постановки диагноза разовьётся когнитивное снижение.

Наблюдение за пациентами во времени

Исследователи использовали когорту Early Parkinson’s Disease Longitudinal Singapore (PALS) — тщательно наблюдаемую группу из 193 человек с недавно установленным диагнозом болезни Паркинсона. В среднем участникам было около 64 лет, при первоначальном осмотре моторные симптомы в основном были лёгкой или умеренной степени. Их наблюдали в течение пяти лет: ежегодно проводили тесты на когнитивные функции с помощью Монреальской оценки когнитивных функций (MoCA) и брали образцы крови в начале, на третьем и на пятом году. Когнитивное снижение определяли как устойчивое падение баллов теста с течением времени, достаточное, чтобы иметь значение в повседневной жизни, но всё ещё раннее, чтобы существовала возможность вмешательства.

Кровяные сигналы из мозга

Команда сосредоточилась на двух белках в крови, которые отражают повреждение мозга: нейрофиламентной лёгкой цепи (NfL) — маркере повреждения нервных волокон, и общего тау (t‑tau), связанном с дегенерацией нервных клеток и часто обсуждаемом в контексте болезни Альцгеймера. Вместо одного снимка состояния они суммировали три измерения для каждого человека с помощью простых описателей: минимального, максимального, среднего значения и величины колебаний. Также фиксировали другие данные о здоровье — возраст, образование, артериальное давление, проблемы с холестерином и исходные показатели мышления. За пять лет почти каждый четвертый участник показал когнитивное снижение, что позволило учёным сравнить тех, у кого оно развилось, с теми, кто оставался стабильным.

Обучение компьютеров выявлять закономерности

Чтобы разобраться в этом сложном наборе факторов, исследователи использовали несколько методов машинного обучения — компьютерных алгоритмов, которые выявляют закономерности в данных. Сначала они применили три разные техники для отбора наиболее информативных переменных из примерно 30 кандидатов. В разных методах повторно выделялись одни и те же признаки: динамические сводки по t‑tau и NfL, а также диастолическое артериальное давление («нижнее» значение), измеренное лежа и стоя. Затем они обучили пять типов предиктивных моделей на комбинациях этих признаков и оценили, насколько каждая модель умела разделять пациентов, которые затем ухудшались, и тех, кто оставался стабильным, используя площадь под кривой оператора приемника (AUC) как меру точности.

Лучшие прогнозы при учёте изменения биомаркеров

Ключевой вывод: модели, использующие временно изменяющиеся показатели крови, заметно превосходили модели, основанные только на исходных данных. Когда алгоритмы получали лишь начальные клинические и лабораторные значения, точность была скромной (лучшая AUC примерно 0,56, едва лучше случайного угадывания). После добавления сводок о том, как менялись t‑tau и NfL на трёх временных точках, точность существенно возросла: AUC по методам варьировала примерно от 0,64 до 0,76. Лучшая модель — подход XGBoost с дюжиной тщательно отобранных признаков — достигла AUC 0,81. В этой модели высокие и нестабильные уровни t‑tau и повышенное диастолическое давление оказались особенно сильными предупреждающими признаками, тогда как изменения NfL тоже вносили вклад, но были несколько менее доминирующими. Годы образования оказали защитный эффект, что согласуется с идеей о более высокой «когнитивной резервации», способной смягчать последствия повреждений мозга.

Последствия для ухода и клинических испытаний

Эти результаты указывают на практические способы перевести уход при болезни Паркинсона от реактивного к превентивному. Поскольку анализы крови на t‑tau и NfL минимально инвазивны и становятся более доступными, в принципе клиники могли бы отслеживать уровни пациентов каждые несколько лет и комбинировать эти данные с показателями артериального давления в компьютерном калькуляторе риска. Пациенты, помеченные как высокорисковые, могли бы получать более тщательное когнитивное наблюдение, целевую коррекцию давления крови и более ранний доступ к реабилитации или клиническим испытаниям модифицирующих заболевание препаратов, особенно тех, что направлены на тау или связанные пути. Модели также предлагают способ «обогатить» клинические исследования, сосредоточив внимание на примерно четверти пациентов с наивысшим риском снижения, что облегчает обнаружение эффектов лечения с меньшим числом участников.

Что это значит для пациентов

Для людей с болезнью Паркинсона и их семей исследование внушает осторожный оптимизм. Это ещё не клинически готовый тест, и результаты нужно подтвердить в более крупных и разнообразных группах. Но показано, что простые повторные анализы крови в сочетании с измерением артериального давления и базовой информацией о пациенте могут помочь компьютерам прогнозировать, кто находится на более рискованном пути развития когнитивных проблем. Проще говоря, наблюдение за тем, как со временем меняются определённые мозговые белки и артериальное давление, оказывается более информативным, чем единовременное измерение. Если эти подходы подтвердятся, они помогут врачам персонализировать наблюдение, сосредоточиться на модифицируемых факторах риска, таких как артериальное давление, и планировать более раннюю поддержку, с конечной целью — дольше сохранять мышление и независимость пациентов.

Цитирование: 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

Ключевые слова: Болезнь Паркинсона, когнитивное снижение, кровяные биомаркеры, машинное обучение, белок тау