A Multidomain Model for Dementia Classification using Harmonized LASI and LASI-DAD Data

Resumen Técnico: Un Modelo Multidominio para la Clasificación de la Demencia utilizando Datos Armonizados de LASI y LASI-DAD

Planteamiento del Problema
La clasificación de la demencia en poblaciones heterogéneas, particularmente en entornos de ingresos bajos y medios como la India, se ve complicada por la influencia de la educación, el lenguaje, el estatus socioeconómico y la salud en el desempeño de las pruebas cognitivas. Depender de umbrales cognitivos fijos o conjuntos de predictores aislados suele conducir a un rendimiento inconsistente y a una clasificación errónea sistemática en diversas poblaciones de adultos mayores. Además, el declive relacionado con la demencia involucra múltiples dominios biológicos y funcionales (vascular, metabólico, funcional) que rara vez se capturan únicamente mediante evaluaciones cognitivas basadas en tareas. El desafío consiste en desarrollar un modelo predictivo que integre estos factores multidominio para mejorar la discriminación manteniendo la interpretabilidad, específicamente en el contexto del Estudio Longitudinal sobre el Envejecimiento en la India (LASI) y su subestudio de diagnóstico (LASI-DAD), donde la incertidumbre diagnóstica y la heterogeneidad de los datos son significativas.

Metodología
El estudio utilizó datos armonizados de LASI y LASI-DAD, resultando en una muestra analítica de 3,186 participantes (excluyendo aquellos con Deterioro Cognitivo Leve para definir un límite binario entre demencia y estado cognitivamente indemne).

• Definición del Resultado: El resultado binario de demencia se derivó de evaluaciones de la Escala de Calificación del Deterioro Clínico (CDR) basadas en consenso. Para abordar la incertidumbre diagnóstica inherente a los grandes conjuntos de datos, los autores promediaron 20 versiones de imputación múltiple del indicador binario de demencia proporcionado por el protocolo LASI-DAD. Se aplicó un umbral de 0.5 a este valor promediado para asignar la etiqueta de entrenamiento final.
• Predictores: Se retuvo un conjunto multidominio de 22 predictores, que abarcan cuatro dominios:
  1. Desempeño Cognitivo: Orientación en el MMSE, recuerdo inmediato/diferido de palabras, recuerdo de historias, dibujo del reloj, fluidez de animales y puntuaciones compuestas para memoria y función ejecutiva.
  2. Declive Reportado por el Informante: El Cuestionario de Información sobre el Declive Cognitivo en la Vejez (IQCODE).
  3. Biomarcadores Cardiometabólicos: HbA1c, perfiles lipídicos (total, HDL, LDL, triglicéridos), hsCRP, homocisteína, Vitamina B12, Vitamina D y albúmina.
     Nota: Se excluyó el examen de estado mental en hindi (HMSE) para evitar la inequidad de medición debido a las variaciones lingüísticas regionales en la India.
• Preprocesamiento de Datos: Los valores faltantes se imputaron mediante k-vecinos más cercanos (KNN, k=5). Las variables categóricas se codificaron ordinalmente y los predictores continuos se estandarizaron. Todos los pasos de preprocesamiento se ajustaron exclusivamente dentro del flujo de trabajo de entrenamiento para evitar la fuga de datos (data leakage).
• Desarrollo del Modelo: El conjunto de datos se dividió en 70:30 (estratificado). El desequilibrio de clases (aproximadamente 13.6% de casos de demencia) se abordó mediante la Técnica de Sobremuestreo de Minoría Sintética (SMOTE) aplicada únicamente dentro de los pliegues de entrenamiento. Se evaluaron cinco algoritmos de aprendizaje supervisado: Regresión Logística, Random Forest, Gradient Boosting, XGBoost y Máquinas de Vectores de Soporte (SVM).
• Estrategia de Validación: Se realizó una validación cruzada anidada (bucle interno de 3 pliegos para el ajuste de hiperparámetros, bucle externo de 5 pliegos para la estimación del rendimiento) dentro del conjunto de entrenamiento. El modelo final se evaluó en el conjunto de prueba reservado.
• Interpretabilidad: Se utilizaron la importancia de características por permutación y las explicaciones SHapley (SHAP) para analizar las contribuciones de las características.

Resultos Clave

• Desempeño del Modelo: La Regresión Logística emergió como el modelo óptimo, logrando un ROC-AUC de 0.932 y una Precisión Media de 0.668 en el conjunto de prueba reservado. Esto superó a los métodos de ensamble (Random Forest: 0.909, Gradient Boosting: 0.912, XGBoost: 0.897, SVM: 0.904).
• Valor Multidominio: Un modelo comparador de "solo cognición" (restringido a medidas cognitivas basadas en tareas) alcanzó un ROC-AUC de 0.908. El modelo multidominio completo demostró un valor de discriminación incremental, confirmando que las características no cognitivas añaden estructura a la clasificación.
• Métricas de Clasificación: Con un umbral de probabilidad óptimo de 0.70, el modelo alcanzó una sensibilidad de 0.771, una especificidad de 0.905 y un Valor Predictivo Negativo (VPN) de 0.985. El Valor Predictivo Positivo (VPP) fue de 0.325, lo que refleja los desafíos de la predicción positiva en conjuntos de datos desequilibrados.
• Importancia de las Características: Los análisis de importancia por permutación y SHAP identificaron el declive reportado por el informante (IQCODE) y la orientación como los predictores más fuertes. Las variables cardiometabólicas proporcionaron contribuciones incrementales menores pero consistentes.
• Estratificación de Riesgo: El modelo generó una distribución de riesgo graduada donde la prevalencia de la demencia aumentó progresivamente a través de los estratos, alcanzando aproximadamente el 50% en la categoría de mayor riesgo.

Significancia y Reivindicaciones
El artículo sostiene que la clasificación de la demencia en una cohorte india social y clínicamente heterogénea puede mejorarse integrando información cognitiva, del informante, cardiometabólica y sociodemográfica dentro de un único modelo interpretable.

• Interpretabilidad vs. Complejidad: El estudio demuestra que un modelo de regresión logística transparente puede igualar o exceder el rendimiento de los métodos de ensamble complejos, ofreciendo además una mayor interpretabilidad, lo cual es crucial para el razonamiento clínico.
• Rol de los Informantes: Los hallazgos resaltan que las medidas reportadas por el informante (IQCODE) poseen una señal predictiva más fuerte que las tareas cognitivas individuales en esta población. Esto se atribuye a la capacidad del informante para capturar el declive funcional relativo al nivel basal del individuo, en lugar de un desempeño frente a normas poblacionales que pueden estar sesgadas por la desventaja educativa.
• Necesidad Multidominio: Los resultados apoyan la visión de la demencia como un síndrome multidominio donde los factores vasculares y metabólicos, aunque no son dominantes individualmente, proporcionan un contexto estructural necesario a la señal cognitiva central.
• Utilidad Operativa: El alto VPN sugiere que el modelo es efectivo para descartar la demencia en entornos de recursos limitados, mientras que el gradiente de riesgo permite priorizar a individuos de alto riesgo para la evaluación de especialistas.

Limitaciones y Direcciones Futuras
Los autores declaran explícitamente que el modelo ha sido validado internamente y requiere validación externa y calibración antes de su aplicación más amplia. Las limitaciones clave incluyen:

• La naturaleza transversal de los datos impide establecer la dirección causal o modelar la progresión.
• El resultado depende de datos imputados, lo que introduce una incertidumbre residual cerca del límite de clasificación.
• La exclusión de los pesos de la encuesta limita la generalizabilidad de las estimaciones de prevalencia, aunque los autores argumentan que esto es aceptable para el modelado predictivo.
• No se realizó un análisis de calibración formal (por ejemplo, puntuación de Brier), lo que significa que el modelo se entiende actualmente mejor como una herramienta de clasificación por rangos más que como una fuente de estimaciones de probabilidad individual confiables.

El artículo concluye que, si bien este enfoque logra acomodar la complejidad y permanece interpretable, el trabajo futuro debe priorizar la validación externa en cohortes independientes, la calibración formal y la incorporación de datos longitudinales para modelar las trayectorias de riesgo.