Прогнозирование методом машинного обучения и стратификация риска 12-месячного когнитивного снижения при болезни Альцгеймера с использованием рутинных клинических данных и МРТ

Почему важно предсказывать ухудшение памяти

Болезнь Альцгеймера постепенно лишает людей памяти и мыслительных способностей, но скорость ухудшения у разных пациентов разная. У одних в течение года происходят заметные потери в простых тестах на мышление, у других состояние остается относительно стабильным. Возможность заранее, при постановке диагноза, определить, у кого будет быстрое прогрессирование, помогает врачам планировать визиты, поддерживать семьи и отбирать пациентов для клинических испытаний новых методов лечения. В этом исследовании проверяли, можно ли комбинировать данные, которые многие клинико-памятные центры уже собирают — краткие тесты на мышление и рутинные сканы мозга — с современными компьютерными методами, чтобы прогнозировать, кто ухудшится в ближайшие 12 месяцев.

Кого изучали и что измеряли

Исследователи использовали данные инициативы по нейровизуализации болезни Альцгеймера (Alzheimer’s Disease Neuroimaging Initiative) — долгосрочного проекта, который наблюдает людей с нарушениями памяти с помощью стандартизованных тестов и визуализации мозга. В фокусе были 306 участников с уже установленным диагнозом болезни Альцгеймера, которые проходили тест памяти Mini-Mental State Examination (MMSE) в начале исследования и повторно через год. Снижение на три и более балла MMSE за 12 месяцев считалось значимым ухудшением. На начальном приеме у каждого участника собирали базовую информацию — возраст, пол, годы образования, проводили ряд подробных тестов на мышление и оценки повседневной функции, а также выполняли МРТ головы для измерения объема ключевых областей мозга, вовлеченных в память.

Как строили компьютерные модели

Чтобы оценить предсказуемость краткосрочного ухудшения, команда создала и сравнила два типа прогнозных инструментов. Первый — простой статистический алгоритм, использующий лишь небольшое число клинически удобных показателей: возраст, пол и результаты двух стандартных тестов на мышление. Второй — более гибкая модель машинного обучения, известная как случайный лес (random forest), которая могла учитывать полный набор клинических шкал вместе с МРТ-показателями, такими как объем гиппокампа и размеры заполненных жидкостью пространств мозга. Данные многократно делили на обучающие и тестовые подвыборки так, чтобы исход каждого человека предсказывался моделью, не «видевшей» этого пациента ранее, имитируя работу инструмента на новых пациентах.

Насколько хорошо модели предсказывали ухудшение

Примерно 43% участников продемонстрировали значимое снижение MMSE за 12 месяцев. Оба подхода показали результат лучше случайного в выявлении таких пациентов. Простая клиническая модель достигла уровня производительности, который обычно считается «умеренным» для медицинских прогнозных инструментов. Модель на базе случайного леса показала немного лучшие общие результаты и, что важно, большую «чистую пользу» (net benefit) в широком диапазоне практических порогов риска. Чистая польза — это способ сопоставления правильных и ошибочных предсказаний с последствиями принятия решений на их основе — например, выбор пациентов для более частого наблюдения или более интенсивной помощи. Хотя более сложная модель не была идеальной и проявляла признаки некоторого переобучения, она последовательно давала более полезные рекомендации, чем стратегии, предполагающие, что либо все пациенты ухудшатся, либо никто из них не ухудшится.

Перевод оценок в низкий, средний и высокий риск

Чтобы результаты было легче применять в клиниках, исследователи преобразовали выход модели в три простые категории риска. Люди с прогнозируемой вероятностью ухудшения ниже одной четверти вошли в группу низкого риска; лишь около одного из восьми из них действительно ухудшился, и их средние результаты теста практически не изменились через год. Те, кто попал в средний диапазон, имели примерно одну треть шанса на ухудшение и в среднем потеряли около полутора баллов MMSE. Группа высокого риска с прогнозируемой вероятностью выше половины демонстрировала ухудшение примерно у двух из трех пациентов и среднюю потерю более четырех баллов MMSE. Эта отчетливая ступенчатая картина говорит о том, что вероятности модели можно превратить в практические категории, которые могли бы направлять частоту наблюдений и определять, кого приоритетно включать в исследования или направлять на дополнительное обследование.

Что это значит для пациентов и клиник

Исследование показывает, что, комбинируя рутинные тесты памяти со стандартными МРТ и анализируя их современными компьютерными методами, возможно в умеренной степени точно оценить индивидуальный риск заметного ухудшения состояния пациента с болезнью Альцгеймера в течение следующего года. Этот инструмент требует дополнительной проверки и калибровки в разных больницах и более разнообразных популяциях прежде, чем его можно будет использовать в повседневной практике, но результаты указывают на будущее, в котором графики наблюдений и включение в клинические испытания будут адаптированы к вероятной траектории каждого человека, а не все пациенты будут рассматриваться как имеющие одинаковую скорость прогрессирования заболевания.

Цитирование: 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

Ключевые слова: болезнь Альцгеймера, когнитивное снижение, машинное обучение, мозговая МРТ, стратификация риска