Maskininlärningsmodeller för att förutsäga demensrisk: bevis från Sydney Memory and Ageing Study

Varför detta är viktigt för ett hälsosamt åldrande

Demens är en av de mest fruktade sjukdomarna i senare livet, men många får först diagnos när minnes- och tänkandeproblem redan är avancerade. Denna studie ställer en hoppfull fråga: med hjälp av information som kliniker redan samlar in—såsom ålder, enkla test av tänkande, blodsocker och hjärthälsa—kan vi signalera vilka som löper högre risk att utveckla demens upp till ett decennium i förväg? Om så är fallet kan läkare rikta övervakning och förebyggande insatser till dem som behöver det mest.

En närmare titt på en långvarig åldringsstudie

Forskarna använde data från Sydney Memory and Ageing Study, som följt mer än tusen australier som var 70 år eller äldre och fria från demens vid inskrivningen. Under ungefär tio år utvecklade vissa av dessa deltagare demens medan andra inte gjorde det. I början genomgick alla detaljerade tester av tänkande och minne, frågeformulär om humör samt medicinska kontroller inklusive blodprover och mätningar av hjärt- och kärlhälsa. Genom att se vilka startegenskaper som var vanligast bland dem som senare utvecklade demens kunde teamet träna datorbaserade modeller att känna igen hög-riskprofiler.

Att lära maskiner att upptäcka framtida risk

För att bygga dessa prediktionsverktyg jämförde författarna flera vanliga maskininlärningsmetoder. Alla modeller försökte besvara samma fråga: givet en persons baslinjeinformation, hur sannolikt är det att hen har demens tio år senare, förutsatt att personen fortfarande lever och blir bedömd? Algoritmerna tränades på data från cirka 70 procent av deltagarna och testades sedan på de återstående 30 procenten som hölls åtskilda som en osedd kontroll. Ingångarna inkluderade ålder, utbildning, symtom på nedstämdhet, detaljerade kognitionstester, midja–höft-kvot, en standardpoäng för hjärt-kärlsjukdomsrisk och blodvärden som kolesterol, triglycerider, urinsyra, njurfunktion, inflammationsmarkörer och fasteglukos. En genetisk riskmarkör känd som APOE ε4 undersöktes senare som ett frivilligt tillägg.

Fyra enkla mått bär huvuddelen av signalen

Bland de olika angreppssätten fungerade en förenklad metod kallad LASSO-regression bäst. Trots att man började med många kandidater behöll denna modell bara fyra prediktorer: ålder, övergripande kognitiv prestation, fasteglukos och en sammansatt poäng för hjärt- och kärlrisk. Högre ålder, högre glukos och sämre kardiovaskulär profil ökade var och en den förutsagda risken, medan bättre kognitiva poäng sänkte den. I den hållna testgruppen kunde denna fyrfaktorsmodell korrekt rangordna en person med framtida demens över en person utan demens ungefär tre fjärdedelar av gångerna—en nivå som anses acceptabel för kliniska riskverktyg. Den erbjöd också en bra balans mellan att fånga verkliga framtida fall och att undvika för många falska larm.

Vad som inte lade till mycket och hur verktyget kan användas

Överraskande nog förbättrade inte tillägget av APOE ε4-genstatus den bäst presterande modellen och försvagade till och med vissa mått något, när ålder, kognitiv prestation, blodsocker och hjärtrisk redan inkluderats. Detta tyder på att—åtminstone i denna grupp äldre vuxna—berättas huvudhistorien av rutinmässig klinisk information snarare än genetiska tester eller experimentella blodmarkörer. Författarna tillhandahåller en enkel formel som kan implementeras i ett kalkylblad för att omvandla dessa fyra värden till en uppskattad tioårsrisken för demens, som sedan kan jämföras med en föreslagen gräns för att klassificera någon som ”förhöjd risk” respektive ”lägre risk.” De förklarar också hur vårdsystem kan justera modellens startpunkt om demens är mer eller mindre vanligt i deras egna populationer eller i olika åldersgrupper.

Vad detta innebär för patienter och kliniker

För tillfället är detta arbete ett konceptbevis snarare än ett färdigt screeningsprogram. Det visar att en liten uppsättning välkända mått—ålder, ett strukturerat kognitionstest, fasteglukos och en standardpoäng för hjärtrisk—kan meningsfullt dela upp äldre vuxna i grupper med lägre respektive högre demensrisk upp till ett decennium före diagnos. Innan det används brett behöver modellen testas i andra länder, med enklare kognitionstester som passar vardaglig praktik, och i samband med verkliga frågor om hur patienter och kliniker reagerar på probabilistiska riskuppskattningar. Fortfarande är budskapet uppmuntrande: att uppmärksamma hjärnhälsa, blodsocker och hjärthälsa tillsammans kan hjälpa till att identifiera vem som skulle ha mest nytta av tätare uppföljning och tidiga preventiva strategier.

Citering: 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

Nyckelord: förutsägelse av demensrisk, maskininlärning, kognitivt åldrande, kardiometabolisk hälsa, tidig upptäckt