Прогнозная модель для ранней диагностики деменции с использованием последовательного анализа данных и data mining

Почему важно выявлять ухудшение памяти на ранних стадиях

Деменция часто подкрадывается настолько медленно, что к моменту явного проявления симптомов упускаются драгоценные годы для лечения и планирования. Семьи обычно замечают лишь отдельные признаки — забывчивость здесь, растерянность там — в то время как врачи видят лишь короткие фрагменты во время визитов в клинику. В этом исследовании поставлен простой, но мощный вопрос: что если мы сможем проследить полную историю здоровья человека во времени и обучить компьютер находить самый ранний, скрытый изгиб кривой, ведущий к деменции?

Следить за пациентами во времени, а не по отдельным снимкам

Большинство компьютерных инструментов, пытающихся предсказать деменцию, рассматривают статичные данные: один снимок мозга, один когнитивный тест или чек-лист, заполненный во время визита. Авторы этого исследования утверждают, что деменцию лучше понимать как движущееся изображение, а не как статичную фотографию. Они используют обширный набор данных более чем о 2 100 взрослых в возрасте 60–90 лет, включающий повторные измерения показателей памяти, повседневной активности, настроения, факторов образа жизни и анамнеза заболеваний. Эти записи реорганизованы в 30-дневные срезы, чтобы модель могла «наблюдать», как меняются мышление и повседневные способности каждого человека месяц за месяцем, а не просто сравнивать разрозненные числа.

Очистка и уравновешивание реальных медицинских записей

Реальные медицинские записи бывают шумными. Люди не всегда приходят на приёмы, некоторые ответы остаются пустыми, и пациентов с деменцией значительно меньше, чем без неё. Прежде чем строить предиктор, команда тщательно восстановила пробелы в данных: числовые пропуски заполняли типичными значениями, взятыми у похожих пациентов, а для бинарных вопросов, например жалоб на память, выбирали наиболее распространённый ответ. Затем историю каждого человека преобразовали в перекрывающиеся 30-дневные последовательности, чтобы сохранить порядок событий. Чтобы модель не училась преимущественно на множестве здоровых случаев, использовали технику мягкого «копирования и смешивания» существующих случаев деменции, создавая дополнительные реалистичные примеры, благодаря чему обе группы были представлены более равномерно при обучении.

Как новая модель читает временную линию ухудшения

Сердце исследования — гибридная система глубокого обучения TCBiNet, спроектированная специально для чтения информации о здоровье как временной последовательности. Сначала этап временной свёртки просматривает каждую 30-дневную последовательность, улавливая короткие всплески и локальные тренды — например, внезапное падение балла по памяти или кратковременное изменение повседневной активности. Затем двунаправленный блок памяти рассматривает последовательность вперёд и назад, фиксируя медленные, долгосрочные сдвиги, разворачивающиеся в течение месяцев, такие как постепенное ухудшение когнитивных способностей. Наконец, этап внимания учится выделять те интервалы времени, которые наиболее важны для выявления ранней деменции, автоматически придавая больший вес периодам, где, например, забывчивость и растерянность начинают совпадать или снижается способность к повседневным делам.

Чему модель научилась о ранних признаках

При сравнительном тестировании с несколькими современными альтернативами — включая сверточные и рекуррентные нейросети и методы на основе обучения с подкреплением — TCBiNet оказался наиболее точным и надежным. Он правильно различал случаи деменции и отсутствие деменции более чем в 99% случаев и показал отличную способность отделять пациентов с высоким риском от пациентов с низким риском при различных порогах. Поведение модели также соответствовало клинической интуиции: изменения в стандартных тестах памяти, повседневной активности и самосообщаемых проблемах с памятью оказались самыми сильными предикторами, тогда как сочетания симптомов, такие как забывчивость вместе с растерянностью, часто встречались у пациентов на траектории деменции. Карты внимания показали, что несколько ключевых отрезков в истории пациента могут иметь непропорционально большое значение, даже когда общая картина выглядит шумной.

Что это может значить для пациентов и клиницистов

Для неспециалиста вывод прост: рассматривая данные о здоровье как разворачивающуюся во времени историю, а не как серию изолированных проверок, этот подход может выявлять деменцию раньше и с большей уверенностью. Предлагаемая система превращает рутинные клинические измерения в некий радар раннего предупреждения, выделяя тонкие, устойчивые сдвиги в мышлении и повседневной жизни, которые иначе могли бы остаться незамеченными. Хотя модель еще нужно протестировать в разных больницах и на более разнообразных популяциях, она предлагает перспективный путь к более проактивной помощи — давая пациентам, семьям и врачам больше времени для планирования, вмешательства и, возможно, замедления течения разрушительного заболевания.

Цитирование: G, S.K., R, D. Predictive modeling for early diagnosis of dementia using sequential data analysis and data mining. Sci Rep 16, 13226 (2026). https://doi.org/10.1038/s41598-026-43382-2

Ключевые слова: раннее прогнозирование деменции, лонгитюдные данные о здоровье, глубокое обучение в медицине, оценка риска болезни Альцгеймера, мониторинг когнитивного снижения