Evaluating Patient Representation Strategies for Early Prediction of Alzheimer’s Disease and Related Dementias from Longitudinal EHRs

Alzheimer-Krankheit und verwandte Demenzen sind keine plötzlichen Ereignisse, die ohne Vorwarnung zuschlagen; sie sind langsame, schleichende Prozesse, die das Gehirn bereits Jahre verändern, bevor eine Person jemals einen Namen vergisst oder sich an einem vertrauten Ort verirrt. Da diese Veränderungen so frühzeitig stattfinden, hoffen Ärzte und Forscher seit langem, einen Weg zu finden, das Risiko lange vor dem Auftreten von Symptomen zu erkennen, um eine frühere Versorgung und bessere Planung zu ermöglichen. Die Herausforderung besteht darin, dass das menschliche Gehirn komplex ist und die Anzeichen von Problemen oft subtil sind und über die Krankengeschichte einer Person verstreut liegen. Um dies zu lösen, haben Wissenschaftler sich der elektronischen Patientenakte zugewandt, den massiven digitalen Archiven jedes Arztbesuchs, jeder Verschreibung und jedes Labortests, den ein Patient jemals erhalten hat. Diese Aufzeichnungen enthalten eine lebenslange Menge an Hinweisen, aber sie sind unordentlich, unregelmäßig und schwer zu lesen. Die Kernfrage für die Forscher lautet, wie man diesen chaotischen Datenstrom in ein klares Bild dessen verwandelt, wer gefährdet ist, und ob die beste Methode dafür davon abhängt, wie weit in die Zukunft man zu versuchen versucht zu sagen.

Ein Team von Forschern setzte sich zum Ziel, verschiedene Wege zu testen, um Computern beizubringen, diese Krankengeschichten zu lesen, um den Beginn einer Demenz vorherzusagen. Sie verglichen zwei sehr unterschiedliche Ansätze, um das Leben eines Patienten im Computer darzustellen. Der erste Ansatz war geradlinig und transparent: Er zählte einfach, wie oft ein Patient den Arzt besucht hatte, wie viele verschiedene Medikamente er eingenommen hatte und wie oft bestimmte Diagnosen auftraten, indem er diese Zählungen in Zeitfenster organisierte. Der zweite Ansatz war weitaus komplexer und nutzte fortschrittliche Modelle der künstlichen Intelligenz, die auf Millionen von Krankenakten vortrainiert worden waren, um eine verborgene, mathematische „Zusammenfassung“ der gesamten Gesundheitsreise eines Patienten zu erstellen. Die Forscher wollten sehen, welche Methode besser funktionierte, wie sich ihre Leistung veränderte, wenn sie versuchten, die Krankheit weiter im Voraus vorherzusagen, und ob diese Methoden funktionieren würden, wenn sie auf eine völlig andere Gruppe von Patienten in einem anderen Krankenhaus-System angewendet würden.

Unter Verwendung einer riesigen nationalen Datenbank für Gesundheitsdaten trainierte das Team seine Modelle, um die Demenz sechs, zwölf, vierundzwanzig und sechsunddreißig Monate vor der tatsächlichen Diagnose eines Patienten vorherzusagen. Sie fanden heraus, dass der einfachere, auf Zählungen basierende Ansatz im Allgemeinen am zuverlässigsten war. Er war besser darin, zwischen Patienten, die die Krankheit entwickeln würden, und solchen, die es nicht tun würden, zu unterscheiden, und seine Vorhersagen waren hinsichtlich der Wahrscheinlichkeit genauer. Dieser Vorteil war am ausgeprägtesten, wenn man in die nahe Zukunft blickte; bei Vorhersagen, die sechs Monate vor einer Diagnose gemacht wurden, übertraf die einfache Zählmethode die komplexen Modelle der künstlichen Intelligenz signifikant. Doch als die Forscher weiter in die Vergangenheit blickten und versuchten, die Krankheit ein volles Jahr bzw. drei Jahre im Voraus vorherzusagen, verringerte sich der Abstand zwischen den beiden Methoden. Zum Zeitpunkt von sechsunddreißig Monaten holten die komplexen Modelle auf und erreichten eine fast ebenso gute Leistung wie die einfachen Zählungen, obwohl sie diese auch nicht übertrafen.

Die Studie zeigte auch auf, wie die Computermodelle „dachten“, während sie weiter in die Vergangenheit blickten. Bei der Vorhersage der Krankheit in der nahen Zukunft stützten sich die Modelle stark auf spezifische kognitive Symptome, wie etwa Diagnosen von Gedächtnisverlust oder leichter kognitiver Beeinträchtigung. Aber als sich das Vorhersagefenster weiter in die Vergangenheit ausdehnte, waren diese spezifischen Symptome in den Unterlagen oft noch nicht vorhanden. In diesen Fällen verlagerte die Aufmerksamkeit der Modelle auf breitere Muster der Inanspruchnahme von Gesundheitsleistungen. Sie begannen, Faktoren wie die Häufigkeit der Krankenhausbesuche, die Anzahl der verschiedenen verschriebenen Medikamente und das allgemeine Volumen der medizinischen Interaktionen stärker zu gewichten. Es scheint, dass sich lange bevor das Gehirn klare Anzeichen von Demenz zeigt, auch das allgemeine Muster der Inanspruchnahme von Pflege verändert, und die Modelle lernten, diese allgemeinen Signale als Frühwarnungen zu nutzen.

Die Forscher testeten auch, ob diese Modelle auf ein anderes Krankenhaus-System übertragen werden könnten, ohne sie neu zu trainieren – ein Szenario, das als Zero-Shot-Transfer bekannt ist. Sie wandten die mit der nationalen Datenbank trainierten Modelle auf einen separaten, unabhängigen Datensatz eines Universitätsklinikums an. Das Ergebnis war deutlich: Die Leistung sank für beide Methoden signifikant. Die Modelle hatten Schwierigkeiten, sich an die andere Patientenpopulation anzupassen, die älter war und andere ethnische Merkmale aufwies, sowie an unterschiedliche Muster der Datenerfassung durch die Ärzte. Während die komplexen Modelle der künstlichen Intelligenz in diesem schwierigen Transfer-Szenario etwas besser Bestand hatten als die einfachen Zählungen, erwies sich keiner der beiden Ansätze als robust genug, um ohne Anpassung perfekt über verschiedene Gesundheitssysteme hinweg zu funktionieren. Dies deutet darauf hin, dass die Technologie zwar leistungsstark ist, aber noch kein universelles Werkzeug darstellt, das ohne sorgfältige lokale Abstimmung überall angewendet werden kann.

Letztlich zeigt die Arbeit, dass es nicht den einen „besten“ Weg gibt, die Krankengeschichte eines Patienten zur Vorhersage von Demenz darzustellen. Die Wahl hängt vom Zeitpunkt der Vorhersage und dem spezifischen Setting ab. Um die Krankheit in der nahen Zukunft aufzuspüren, bleiben einfache, interpretierbare Zählungen medizinischer Ereignisse der Goldstandard. Für einen Blick weiter in die Zukunft werden komplexe Modelle der künstlichen Intelligenz wettbewerbsfähiger und bieten eine andere Balance der Genauigkeit. Die Ergebnisse legen nahe, dass der Weg zur Früherkennung nicht in der Suche nach einem einzigen perfekten Algorithmus liegt, sondern im Verständnis dafür, wie verschiedene Werkzeuge unterschiedliche Signale zu unterschiedlichen Zeiten erfassen, und in der Erkenntnis, dass sich die Signale selbst verändern, während die Krankheit von einem fernen Risiko zu einer unmittelbar bevorstehenden Realität wird.