Retrospective Forecasting and Long-Term Projection of Alzheimer’s Disease Spreading

Technisches Resümee: Retrospektive Prognose und langfristige Projektion der Ausbreitung von Alzheimer-Krankheit

Problemstellung
Die Vorhersage der Ausbreitung nicht übertragbarer Krankheiten (NCDs), insbesondere der Alzheimer-Krankheit und Demenz, stellt erhebliche methodische Herausforderungen dar, die auf der multifaktoriellen Natur ihrer Ätiologie beruhen. Im Gegensatz zu Infektionskrankheiten werden NCDs durch komplexe, dynamische Interaktionen genetischer, verhaltensbedingter, sozioökonomischer und umweltbedingter Faktoren angetrieben. Traditionelle Prognoseansätze stützen sich häufig auf die Quantifizierung dieser spezifischen Risikofaktoren oder setzen Stationarität der Prozesse voraus, was jedoch beide mit der inhärenten Unsicherheit und Nicht-Stationarität langfristiger Krankheitsdynamiken Schwierigkeiten haben. Darüber hinaus konzentrieren sich bestehende Modelle oft auf volatile Jahresindikatoren, welche stabile langfristige Trends verschleiern können. Die Autoren postulieren, dass eine genaue Prognose entscheidend für die strategische Gesundheitsplanung, die Ressourcenallokation und die Rechtfertigung von Forschungsgeldern ist, aktuelle Methoden jedoch oft daran scheitern, zuverlässige dezenniale Projektionen unter Bedingungen der Unsicherheit zu liefern.

Methodik
Das Paper schlägt eine neuartige Methodik vor, die auf einem Integral Inflow-Outflow Modell (IIOM) mit stochastischen Parametern basiert. Dieser Ansatz verlagert den analytischen Fokus von der Modellierung individueller Risikofaktoren oder volatiler jährlicher Fallzahlen hin zur Modellierung der Dynamik der kumulativen (integralen) Volumina von Zufluss (Neuinfektionen/Neuerkrankungen) und Abfluss (Mortalität).

Kernkomponenten der Methodik sind:

1. Modellrahmen: Die Krankheitspopulation wird als ein „Reservoir“ behandelt, das durch eine Bilanzgleichung definiert ist: $I(t) = X_{inf}(t, t_0) - X_{of}(t, t_0)$, wobei $I(t)$ die Anzahl der aktiven Fälle ist, $X_{inf}$ der kumulative Zufluss und $X_{of}$ der kumulative Abfluss.
2. Stochastische Raten: Das Modell nutzt Änderungsraten dieser kumulativen Volumina ($r_{inf}$ und $r_{of}$) anstatt Rohdaten.
3. Identifizierung von Trends: Eine Kernerkenntnis der Studie ist, dass die jährlichen Raten zwar volatil sein mögen, die Raten der integralen Zu- und Abflüsse jedoch eine monotone Abnahme über die Zeit aufweisen. Diese Eigenschaft ermöglicht die Konstruktion linearer Trends.
4. Prognosemechanismus:
   • Die Autoren berechnen die durchschnittliche jährliche Abnahmerate der prozentualen Zunahmen des Zuflusses und Abflusses ($\alpha_{inf}$ und $\alpha_{of}$) über ein historisches Zeitfenster (z. B. 10 Jahre).
   • Diese Raten werden mittels der Methode der kleinsten Quadrate durch Potenzfunktionen approximiert.
   • Lineare Trends für zukünftige stochastische Raten ($\tilde{r}_{inf}$ und $\tilde{r}_{of}$) werden unter Verwendung der Formel $\tilde{r}(\tau) = r(t) - k(t)(t - \tau)$ extrapoliert, wobei $k(t)$ den aus historischen Daten abgeleiteten Trendkoeffizienten darstellt.
   • Diese extrapolierten Raten werden anschließend in die diskreten IIOM-Gleichungen eingesetzt, um 10-Jahres- und Langfristprognosen zu generieren.
5. Validierung: Die Genauigkeit des Modells wird mittels des mittleren absoluten prozentualen Fehlers (Mean Absolute Percentage Error, MAPE) gegenüber retrospektiven Daten des Institute for Health Metrics and Evaluation (IHME) für den Zeitraum 1990–2021 evaluiert.

Wesentliche Beiträge
Die Autoren identifizieren drei primäre Neuheiten in ihrem Ansatz:

1. Verschiebung des Modellfokus: Der Übergang von volatilen Jahreszahlen hin zur stochastischen Dynamik akkumulierter Fallvolumina, um stabile langfristige Trends aufzuzeigen.
2. Operationalisierung der Monotonie: Die Identifizierung und Nutzung der Eigenschaft der monotonen Abnahme der Raten der integralen Zu- und Abflüsse als ein vorhersagbarer linearer Trend für die Prognose.
3. Praktische Technik: Entwicklung einer spezifischen Prognosetechnik basierend auf der Extrapolation dieser linearen Trends, welche an grundlegend unterschiedlichen nicht-stationären Prozessen (einschließlich COVID-19 und demografischen Veränderungen) getestet wurde, um die Robustheit zu bestätigen.

Ergebnisse
Die Studie präsentiert zwei Hauptgruppen von Ergebnissen:

• Retrospektive 10-Jahres-Prognosen: Stichprobenprognosen wurden für 2005, 2010 und 2015 für die Welt und verschiedene Regionen erstellt. Das Modell zeigte eine hohe Genauigkeit. Das Abstract stellt MAPE-Werte für 10-jährige Prognosefenster im Intervall [0,23 %; 2,73 %] fest, merkt jedoch auch spezifische MAPE-Werte im Intervall [0,08 %; 0,75 %] an. Spezifische regionale MAPE-Werte waren generell niedrig, mit einem Welt-Durchschnitt von 0,43 % (2005-Prognose), 0,2 % (2010-Prognose) und 0,09 % (2015-Prognose). Die Schlussfolgerung führt ferner einen MAPE-Bereich von 0,43 % bis 1,79 % für die retrospektiven Prognosen an.
• Langfristige Projektion bis 2050: Unter Verwendung des modellbasierten Ansatzes prognostizieren die Autoren einen stetigen Anstieg der absoluten Zahl der Alzheimer-Fälle weltweit. Die Zahl der Fälle wird voraussichtlich von 141,2 Millionen im Jahr 2022 auf 489,5 Millionen bis 2050 ansteigen.
  • Der Anteil der Fälle innerhalb der älteren Bevölkerung (65+) bleibt relativ stabil (0,84–0,87), was darauf hindeutet, dass die demografische Alterung der primäre Treiber ist und nicht etwa Veränderungen der altersspezifischen Risiken.
  • Regionale Disparitäten sind signifikant: Westeuropa wird voraussichtlich die höchste Belastung tragen (65 Millionen Fälle), gefolgt von einkommensstarken Gebieten in Nordamerika (42,3 Millionen) und Südostasien (16,3 Millionen).
  • Im Gegensatz dazu zeigen tropische Lateinamerika und Ost-Subsahara-Afrika moderate Anteile (0,72–0,76) der Fälle im Verhältnis zu ihren älteren Bevölkerungen, was unterschiedliche demografische Strukturen widerspiegelt.
  • Das Modell bestätigt eine monotone Dezeleration der Wachstumsraten, wobei das jährliche Wachstum von etwa 5 % in den frühen 2020er Jahren auf 2,5 % bis zum Ende des Projektionszeitraums sinkt.

Bedeutung und Ansprüche
Das Paper behauptet, dass das Integral Stochastic Inflow-Outflow Model eine praktische und zuverlässige Alternative zu komplexeren, datenintensiveren Modellen (wie z. B. Bayesian Meta-Regression oder CODEm) bietet, die eine präzise Bewertung zahlreicher schwer zu quantifizierender Risikofaktoren erfordern. Durch die Anerkennung der Nicht-Stationarität der NCD-Ausbreitung und die Konzentration auf die stabilen Trends der kumulativen Raten bietet die Methodik ein robustes Werkzeug für Entscheidungen unter Unsicherheit.

Die Autoren kommen zu dem Schluss, dass dieser Ansatz eine solide Grundlage bildet für:

• Strategische Planung der Gesundheitsressourcen.
• Rechtfertigung von Investitionen in Prävention und Forschung.
• Überwachung epidemiologischer Trends.

Die Studie positioniert das IIOM als ein vielversprechendes Instrument für die langfristige Gesundheitsprognose, das die evidenzbasierte Entscheidungsfindung angesichts der wachsenden Herausforderungen durch nicht übertragbare Krankheiten erleichtert, ohne dabei zu behaupten, die zugrunde liegenden biologischen Mechanismen der Krankheit zu lösen.