A Latent Trajectory Analysis for Multivariate Outcomes with Mixed-Scale: Application to Alzheimer's Disease Neuroimaging Initiative

Stellen Sie sich vor, Sie versuchen zu verstehen, wie sich eine komplexe Maschine, wie zum Beispiel ein Automotor, im Laufe der Zeit verändert. Normalerweise schauen Mechaniker auf einen Teil nach dem anderen: „Sinkt der Öldruck?“ oder „Steigt die Temperatur?“ Aber in der realen Welt ist alles miteinander verbunden. Der Öldruck könnte sinken, weil die Temperatur gestiegen ist, und beides könnte nur bei Autos mit einer ganz bestimmten Art von Kraftstofffilter passieren. Wenn man nur auf das Öl schaut, verpasst man die ganze Geschichte. Dies ist die Herausforderung, vor der Wissenschaftler bei der Erforschung der Alzheimer-Krankheit stehen. Sie verfügen über einen Berg an Daten: einige Zahlen, die auf einer Skala gemessen werden können (wie Gedächtnistest-Ergebnisse oder Körpergewicht), und einige Kategorien, die einfach nur „Ja“ oder „Nein“ sind (wie hoher Blutdruck oder ein bestimmter genetischer Marker).

Lange Zeit mussten Statistiker sich entscheiden: Entweder man betrachtet alle Zahlen zusammen oder man betrachtet alle Ja/Nein-Antworten zusammen, aber selten beides gleichzeitig. Es ist, als würde man versuchen, eine Sinfonie zu verstehen, indem man nur den Violinen oder nur den Trommeln lauscht, aber niemals dem gesamten Orchester. Das Problem wird noch komplizierter, weil nicht alle Menschen demselben Skript folgen. Einige Menschen mit Alzheimer bauen langsam ab, andere schnell, und manche bleiben jahrelang stabil. Traditionelle mathematische Werkzeuge gehen oft davon aus, dass jeder Mensch nur eine leicht andere Version des „Durchschnittsmenschen“ ist, was diese wichtigen Unterschiede verbirgt. Dieses Paper stellt einen neuen Weg vor, um dem gesamten Orchester gleichzeitig zuzuhören, selbst wenn die Instrumente unterschiedliche Arten von Musik spielen.

---

Das neue Werkzeug: Ein statistisches Schweizer Taschenmesser

Die Autoren dieser Arbeit, Lindsay R. Salvati und Jungwun Lee, haben ein neues statistisches Werkzeug namens Mixed Latent Class Profile Model (Mixed-LCPM) entwickelt. Betrachten Sie dieses Modell als einen superintelligenten Detektiv, der nicht nur nach Hinweisen sucht, sondern Menschen in geheime Teams gruppiert, basierend darauf, wie sich ihre Hinweise im Laufe der Zeit verändern.

In der Welt der Alzheimer-Forschung nutzen Wissenschaftler Daten aus der Alzheimer's Disease Neuroimaging Initiative (ADNI). Dies ist eine massive Sammlung von Informationen von 919 Personen, die über 48 Monate (etwa 4 Jahre) verfolgt wurden. Alle paar Monate absolvierten diese Menschen Gedächtnistests (kontinuierliche Zahlen) und es wurden ihr Blutdruck, der Body-Mass-Index (BMI) sowie ihr Demenzstatus (kategorial Ja/Nein oder hoch/niedrig) überprüft.

Die alte Art der Analyse dieser Daten war wie der Versuch, einen gemischten Beutel aus roten und blauen Murmeln zu sortieren, indem man nur die roten betrachtet und dann separat die blauen. Man könnte übersehen, dass die schweren roten Murmeln immer mit den glänzenden blauen Murmeln einhergehen. Das neue Mixed-LCPM-Modell betrachtet die roten und blauen Murmeln gleichzeitig. Es fragt: „Wer sind die Menschen, deren Gedächtnisleistung sinkt, während ihr Blutdruck hoch bleibt? Wer sind die Menschen, deren Gedächtnis stabil bleibt, obwohl sie übergewichtig sind?“

Wie der Detektiv arbeitet: Das Zwei-Schichten-System

Das Modell nutzt einen klugen zweistufigen Prozess, um diese verborgenen Gruppen zu finden, die die Autoren als latente Klassen (latent classes) und latente Profile (latent profiles) bezeichnen.

1. Die Momentaufnahme (Latente Klassen): Stellen Sie sich vor, man macht ein Foto von allen zu einem einzigen Zeitpunkt. Das Modell betrachtet dieses Foto und gruppiert die Menschen in „Klassen“ basierend darauf, wie sie in diesem Moment aussehen. Eine Klasse könnte beispielsweise „Hohes Gedächtnis, niedriger Blutdruck“ sein, während eine andere „Niedriges Gedächtnis, hoher Blutdruck“ ist.
2. Der Film (Latente Profile): Stellen Sie sich nun vor, Sie schauen einen Film über dieselben Menschen über sechs Jahre hinweg. Das Modell beobachtet, wie Menschen von einer „Klasse“ in eine andere wechseln. Bleiben sie für immer in der Gruppe „Hohes Gedächtnis“? Wechseln sie von „Niedrigem Gedächtnis“ zu „Hohem Gedächtnis“ (unwahrscheinlich, aber mathematisch möglich)? Oder driften sie langsam von „Gesund“ zu „Beeinträchtigt“?

Durch die Kombination dieser beiden Schritte findet das Modell Trajektorien. Es sagt nicht einfach: „Person A ist krank.“ Es sagt: „Person A gehört zu einer Gruppe, die gesund begann, eine Weile gesund blieb und dann auf eine ganz bestimmte Weise plötzlich schlechter wurde.“

Was sie herausgefunden haben: Fünf Gruppen, sechs Geschichten

Als die Autoren dieses Werkzeug auf die ADNI-Daten anwandten, entdeckten sie, dass die Patienten nicht einfach nur ein verschwommener Zustand des „Schlechterwerdens“ waren. Sie fielen in fünf distinkte Gruppen (latente Klassen) basierend auf ihrer Mischung aus Gedächtnisleistung und Gesundheitsrisiken:

• Gruppe 1: Hohe Gedächtnisleistung, niedriges Risiko für hohen Blutdruck oder Adipositas. (Die „Gesunde“ Gruppe).
• Gruppe 2: Hohe Gedächtnisleistung, aber hohes Risiko für hohen Blutdruck und Adipositas. (Die „Gesunde, aber ungesunde“ Gruppe).
• Gruppe 3: Milde Gedächtnisprobleme, hohes Risiko für hohen Blutdruck und Adipositas.
• Gruppe 4: Milde Gedächtnisprobleme, aber niedriges Risiko für hohen Blutdruck und Adipositas.
• Gruppe 5: Schwere Gedächtnisprobleme in allen Bereichen, mit hohen Gesundheitsrisiken. (Die Gruppe mit „Signifikanter Beeinträchtigung“).

Aber die wahre Magie geschah, als sie die Trajektorien (die Geschichten) betrachteten. Sie fanden sechs verschiedene Pfade, die Menschen einschlugen:

1. Stabil & Gesund: Menschen, die die ganze Zeit in Gruppe 1 blieben.
2. Stabil aber Ungesund: Menschen, die die ganze Zeit in Gruppe 2 blieben (gutes Gedächtnis, schlechte Gesundheit).
3. Stabil Milde Beeinträchtigung & Ungesund: Menschen, die in Gruppe 3 blieben.
4. Stabil Milde Beeinträchtigung & Gesund: Menschen, die in Gruppe 4 blieben.
5. Die Deklinenten (Abbaubereiche): Eine kleine Gruppe (etwa 4,5 % der Menschen), die in Gruppe 4 (milde Beeinträchtigung, gesund) begann, aber bis zum Ende der Studie mit an Sicherheit grenzender Wahrscheinlichkeit in Gruppe 5 (schwere Beeinträchtigung) übergegangen ist.
6. Die Beständig Beeinträchtigten: Menschen, die in den beeinträchtigten Gruppen blieben.

Warum das wichtig ist: Das Unsichtbare sehen

Dieses Paper beweist, dass man eine riesige Differenz übersehen hätte, wenn man nur die Gedächtnisleistungen (die Zahlen) betrachtet hätte. Zum Beispiel hätten die Gruppen „Stabil & Gesund“ und „Stabil aber Ungesund“ beide hervorragende Gedächtnisleistungen gehabt. Wenn man nur das Gedächtnis betrachtet hätte, hätten sie wie dieselbe Gruppe ausgesehen. Aber das neue Modell sah, dass die eine Gruppe hohen Blutdruck hatte und die andere nicht.

Ähnlich verhält es sich mit zwei Gruppen, die milde Gedächtnisprobleme hatten: Sie sahen in den Gedächtnistests gleich aus, aber eine war sehr übergewichtig und die andere nicht. Indem man die „Ja/Nein“-Gesundheitsdaten ignoriert hätte, hätten Forscher diese entscheidenden Unterschiede verpasst.

Die Autoren prüften auch, wie gut ihr neues Werkzeug mittels Simulationen funktionierte. Sie erstellten künstliche Daten mit bekannten Antworten und ließen ihr Modell darauf laufen. Die Ergebnisse zeigten, dass das Modell sehr gut darin war, die richtigen Gruppen zu finden, insbesondere wenn es viele Daten gab (wie bei 1.000 Personen). Es identifizierte die Muster zu etwa 95 % korrekt, was ein sehr starkes Ergebnis für eine derart komplexe Mathematik ist.

Die Grenzen und die Zukunft

Die Autoren betonen vorsichtig, dass dies eine statistische Entdeckung ist, keine medizinische Heilung. Sie fanden heraus, dass Faktoren wie Alter, Geschlecht, Bildung und die Anzahl der APOE4-Allele (ein genetischer Marker) damit verknüpft waren, in welcher „Geschichte“ eine Person wahrscheinlich stecken würde. Beispielsweise waren ältere Menschen etwas weniger wahrscheinlich in der Gruppe „Stabil aber Ungesund“ als in der Gruppe „Stabil & Gesund“.

Dennoch merkt das Paper einige Einschränkungen an. Die Mathematik ist knifflig; manchmal bleibt der Computer in einem „lokalen Maximum“ stecken, was so ist, als würde ein Wanderer in einem kleinen Tal stecken bleiben und glauben, er sei auf dem Gipfel eines Berges. Um dies zu beheben, ließen die Autoren das Modell 100 Mal mit unterschiedlichen Startpunkten laufen, um sicherzustellen, dass sie den wahren höchsten Gipfel finden. Sie merkten auch an, dass ihr Modell davon ausgeht, dass fehlende Daten (wie ein verpasster Arzttermin) zufällig sind, was in der Realität nicht immer der Fall sein muss.

Das Fazit

Dieses Paper erklärt uns noch nicht, wie wir Alzheimer stoppen können. Stattdessen gibt es Wissenschaftlern eine bessere Brille. Früher sahen sie vielleicht eine Menge Menschen, die alle „ein bisschen krank“ wirkten. Jetzt, mit dem Mixed-LCPM, können sie sehen, dass die Menge tatsächlich aus distinkten Teams besteht, die jeweils ihre eigene, einzigartige Geschichte und ihren eigenen zukünftigen Pfad haben. Diese Klarheit könnte Ärzten in der Zukunft helfen, die richtigen Patienten für die richtigen klinischen Studien auszuwählen, um sicherzustellen, dass sie bei der Testung eines neuen Medikaments tatsächlich eine Gruppe von Menschen testen, die sich wirklich ähnlich sind, anstatt ein chaotisches Gemisch aus verschiedenen Lebensgeschichten.