Härledning av en intrinsisk biomarkör för hjärnaktivitet för den tidigaste förutsägelsen av kognitiv försämring

Varför tidiga hjärnförändringar spelar roll

Många äldre märker subtila minnesstörningar långt innan någon läkare kan ställa en demensdiagnos. I detta skede ser standardiserade hjärnavbildningar och blodprover ofta normala ut, men den underliggande sjukdomsprocessen kan redan ha påbörjats. Denna studie undersöker om ett enkelt, icke-invasivt test av hjärnvågor — elektroencefalogrammet, EEG — kan avslöja mycket tidiga förändringar i hjärnfunktionen och på ett tillförlitligt sätt förutsäga vilka som med största sannolikhet kommer att drabbas av allvarlig kognitiv försämring flera år senare.

Lyssna på hjärnans tysta signaler

Forskarna fokuserade på personer med ”subjektiv kognitiv nedsättning” (SCI): äldre vuxna som känner att minnet sviktar men som fortfarande presterar normalt i standardtester. Åttioåtta sådana frivilliga, i åldern 52 till 85 år, genomgick 20 minuters vilande EEG med slutna ögon och följdes sedan i 5–7 år. Under uppföljningen följde läkare varje persons kognitiva status med etablerade skattningsskalor. I slutet av perioden förblev vissa deltagare stabila, medan andra utvecklade mild kognitiv störning eller demens. Dessa utfall gjorde det möjligt för teamet att undersöka om subtila mönster i det ursprungliga EEG:t kunde ha förutspått vilka som senare skulle försämras.

Göra om hjärnvågor till ett förutsägande fingeravtryck

I stället för att tolka EEG visuellt använde teamet kvantitativ EEG (qEEG), som omvandlar råa hjärnvågor till tusentals numeriska egenskaper. Dessa fångar hur starka olika frekvensband är (som alfa- och theta‑rytmer), hur väl avlägsna hjärnregioner synkroniserar med varandra (konnektivitet och fasförskjutning), och hur komplex eller oorganiserat det övergripande aktivitetsmönstret verkar. Eftersom normalt åldrande också påverkar EEG justerade forskarna matematiskt alla egenskaper för ålder och standardiserade dem så att ”noll” representerar förväntat värde för en frisk person i samma ålder. För att undvika överanpassning minskade de systematiskt mer än 6 000 kandidatmått till en kompakt uppsättning som var stabila, icke‑redundanta och bäst på att skilja personer som skulle förbli stabila från dem som skulle försämras.

Maskininlärning som en kristallkula

Med denna reducerade uppsättning egenskaper tränade teamet flera maskininlärningsmodeller — logistisk regression, supportvektormaskiner och random forests — för att uppskatta varje deltagares sannolikhet för framtida försämring. Upprepad korsvalidering och en specialiserad bootstrap‑metod användes för att bedöma prestanda så realistiskt som möjligt. Över modellerna låg förutsägelsenoggrannheten på cirka 80 %, med ett area under ROC‑kurvan (AUC) runt 0,90, vilket indikerar stark förmåga att skilja stabila från försämrade individer. De slutliga frysta modellerna använde endast 14 qEEG‑egenskaper, mestadels hämtade från frontala hjärnregioner inspelade med ett litet antal elektroder, vilket gör metoden praktisk för rutinmässig klinisk användning.

Vad som förändras i hjärnan

De egenskaper som var mest ansvariga för korrekt prediktion pekade på tidiga störningar i hur hjärnområden kommunicerar med varandra. Mått på konnektivitet, särskilt fasförskjutning och asymmetri mellan vänster och höger frontallob, var centrala i modellen. Avvikelser i alfa‑ och thetafrekvensbanden stack ut: ökad eller förskjuten thetaaktivitet har i annan forskning kopplats till hippocampal atrofi och cortical förtunning, medan förändringar i alfakraft och frekvens kan återspegla hjärnans initiala försök att kompensera för framväxande skador. Viktigt är att inget enskilt EEG‑mått berättade hela historien. Det var den specifika kombinationen — biomarkörens ”fingeravtryck” — som signalerade förhöjd risk flera år innan tydliga symptom visade sig.

Sätta verktyget på prov i verkligheten

För att se om deras biomarkör skulle generalisera bortom den ursprungliga gruppen testade forskarna den på två oberoende kohorter från USA och Italien, vardera med egna inspelningsupplägg och patientkarakteristika. Som väntat för verkligt nya data sjönk noggrannheten måttligt, till ungefär 60–70 %, men modellen presterade fortfarande långt bättre än slumpen, vilket tyder på att signalen den fångar är robust. Teamet visade också att kliniker kan justera beslutströskeln: att sänka den ökar känsligheten (fångar fler framtida försvagare på bekostnad av fler falska larm), medan höjning ökar specificiteten (färre falskt positiva men fler missade fall). Denna flexibilitet gör det möjligt för vårdgivare att anpassa verktyget efter olika kliniska prioriteringar.

Vad detta betyder för patienter och kliniker

Enkelt uttryckt tyder detta arbete på att en kort, smärtfri EEG‑inspelning — med endast några elektroder över pannan — kan hjälpa till att identifiera äldre som idag verkar normala men som har hög risk för kognitiv försämring under de kommande åren. Även om större studier och jämförelser med andra biomarkörer fortfarande behövs är metoden billig, icke‑invasiv och upprepbar, vilket gör den attraktiv för bred screening, särskilt i miljöer där avancerad avbildning eller ryggmärgsvätsketester är opraktiska. Om den valideras vidare skulle sådana EEG‑baserade biomarkörer kunna hjälpa läkare att ingripa tidigare, övervaka sjukdomsprogression och välja deltagare till kliniska prövningar i det skede då behandlingar har störst chans att ge bestående nytta.

Citering: Prichep, L.S., Zaidi, S.N., Brink, K. et al. Derivation of an intrinsic brain activity biomarker for the earliest prediction of cognitive decline. Sci Rep 16, 5500 (2026). https://doi.org/10.1038/s41598-026-35144-x

Nyckelord: tidig demensprediktion, EEG-hjärnvågor, subjektiv kognitiv försämring, maskininlärningsbiomarkör, Alzheimers risk