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

Sintesi Tecnica: Un Modello Multidominio per la Classificazione della Demenza utilizzando i Dati Armonizzati LASI e LASI-DAD

Definzione del Problema
La classificazione della demenza in popolazioni eterogenee, in particolare in contesti a basso e medio reddito come l'India, è complicata dall'influenza dell'istruzione, della lingua, dello stato socioeconomico e della salute sulle prestazioni dei test cognitivi. Fare affidamento su soglie cognitive fisse o su set di predittori isolati porta spesso a prestazioni inconsistenti e a una classificazione errata sistematica tra le diverse popolazioni di anziani. Inoltre, il declino correlato alla demenza coinvolge molteplici domini biologici e funzionali (vascolare, metabolico, funzionale) che raramente vengono catturati esclusivamente dalle valutazioni cognitive basate su compiti specifici. La sfida consiste nello sviluppare un modello predittivo che integri questi fattori multidominio per migliorare la discriminazione pur rimanendo interpretabile, specificamente nel contesto dello studio longitudinale sull'invecchiamento in India (LASI) e del suo sottostudio diagnostico (LASI-DAD), dove l'incertezza diagnostica e l'eterogeneità dei dati sono significative.

Metodologia
Lo studio ha utilizzato dati armonizzati da LASI e LASI-DAD, risultando in un campione analitico di 3.186 partecipanti (escludendo coloro con compromissione cognitiva lieve per definire un confine binario tra demenza e stato cognitivamente integro).

• Definizione dell'Esito: L'esito binario della demenza è stato derivato da valutazioni basate sul consenso della Clinical Dementia Rating (CDR). Per affrontare l'incertezza diagnostica intrinseca nei dataset su larga scala, gli autori hanno mediato 20 versioni imputate multiplamente dell'indicatore binario della demenza fornito dal protocollo LASI-DAD. È stata applicata una soglia di 0,5 a questo valore mediato per assegnare l'etichetta finale di addestramento.
• Predittori: È stato mantenuto un set multidominio di 22 predittori, suddivisi in quattro domini:
  1. Prestazione Cognitiva: Orientamento MMSE, richiamo immediato/ritardato di parole, richiamo di storie, disegno del orologio, fluenza sugli animali e punteggi compositi per memoria e funzione esecutiva.
  2. Declino Riportato dall'Informatore: L'Informant Questionnaire on Cognitive Decline in the Elderly (IQCODE).
  3. Biomarcatori Cardiometabolici: HbA1c, profili lipidici (totale, HDL, LDL, trigliceridi), hsCRP, omocisteina, Vitamina B12, Vitamina D e albumina.
     Nota: L'Hindi Mental State Examination (HMSE) è stato escluso per evitare l'inequivalenza di misurazione dovuta alle variazioni linguistiche regionali in India.
  4. Sociodemografia: Età, sesso e livello di istruzione.
• Pre-elaborazione dei Dati: I valori mancanti sono stati imputati utilizzando k-nearest neighbours (KNN, k=5). Le variabili categoriche sono state codificate ordinalmente e i predittori continui sono stati standardizzati. Tutti i passaggi di pre-elaborazione sono stati applicati esclusivamente all'interno della pipeline di addestramento per prevenire il data leakage.
• Sviluppo del Modello: Il dataset è stato suddiviso in 70:30 (stratificato). Lo squilibrio delle classi (circa il 13,6% di casi di demenza) è stato affrontato utilizzando la Synthetic Minority Oversampling Technique (SMOTE) applicata solo all'interno dei fold di addestramento. Sono stati valutati cinque algoritmi di apprendimento supervisionato: Regressione Logistica, Random Forest, Gradient Boosting, XGBoost e Support Vector Machines (SVM).
• Strategia di Validazione: La validazione incrociata nidificata (3-fold inner loop per la sintonizzazione degli iperparametri, 5-fold outer loop per la stima delle prestazioni) è stata condotta all'interno del set di addestramento. Il modello finale è stato valutato sul set di test tenuto separato (held-out).
• Interpretabilità: La permutazione dell'importanza delle caratteristiche (permutation feature importance) e le SHapley Additive exPlanations (SHAP) sono state utilizzate per analizzare il contributo delle caratteristiche.

Risultati Chiave

• Prestazioni del Modello: La Regressione Logistica è emersa come il modello ottimale, raggiungendo un ROC-AUC di 0,932 e una Precision Media di 0,668 sul test set tenuto separato. Questo ha superato i metodi ensemble (Random Forest: 0,909, Gradient Boosting: 0,912, XGBoost: 0,897, SVM: 0,904).
• Valore Multidominio: Un modello comparativo "solo cognitivo" (limitato a misure cognitive basate su compiti) ha ottenuto un ROC-AUC di 0,908. Il modello multidominio completo ha dimostrato un valore discriminatorio incrementale, confermando che le caratteristiche non cognitive aggiungono struttura alla classificazione.
• Metriche di Classificazione: Con una soglia di probabilità ottimale di 0,70, il modello ha raggiunto una sensibilità di 0,771, una specificità di 0,905 e un Valore Predittivo Negativo (VPN) di 0,985. Il Valore Predittivo Positivo (VPP) è stato di 0,325, riflettendo le sfide della predizione positiva nei dataset sbilanciati.
• Importanza delle Caratteristiche: Le analisi di permutazione dell'importanza e SHAP hanno identificato il declino riportato dall'informatore (IQCODE) e l'orientamento come i predittori più forti. Le variabili cardiometaboliche hanno fornito contributi incrementali piccoli ma consistenti.
• Stratificazione del Rischio: Il modello ha generato una distribuzione del rischio graduata in cui la prevalenza della demenza aumentava progressivamente attraverso gli strati, raggiungendo circa il 50% nella categoria a rischio più elevato.

Significatività e Rivendicazioni
L'articolo sostiene che la classificazione della demenza in una coorte indiana socialmente e clinicamente eterogenea può essere migliorata integrando informazioni cognitive, dell'informatore, cardiometaboliche e sociodemografiche all'interno di un singolo modello interpretabile.

• Interpretabilità vs Complessità: Lo studio dimostra che un modello di regressione logistica trasparente può eguagliare o superare le prestazioni di metodi ensemble complessi, offrendo al contempo una maggiore interpretabilità, fondamentale per il ragionamento clinico.
• Ruolo degli Informatori: I risultati evidenziano che le misure riportate dall'informatore (IQCODE) portano un segnale predittivo più forte rispetto ai singoli compiti cognitivi in questa popolazione. Ciò è attribuito alla capacità dell'informatore di catturare il declino funzionale rispetto alla baseline dell'individuo, piuttosto che la prestazione rispetto alle norme di popolazione che possono essere influenzate dal disvantaggio educativo.
• Necessità Multidominio: I risultati supportano la visione della demenza come una sindrome multidominio in cui i fattori vascolari e metabolici, sebbene non dominanti individualmente, forniscono il contesto strutturale necessario al segnale cognitivo centrale.
• Utilità Operativa: L'alto VPN suggerisce che il modello è efficace per escludere la demenza in contesti con risorse limitate, mentre il gradiente di rischio consente di dare priorità agli individui ad alto rischio per una valutazione specialistica.

Limitazioni e Direzioni Future
Gli autori dichiarano esplicitamente che il modello è validato internamente e richiede una validazione esterna e una calibrazione prima di una più ampia applicazione. Le limitazioni chiave includono:

• La natura trasversale dei dati impedisce di stabilire una direzione causale o di modellare la progressione.
• L'esito dipende da dati imputati, introduzendo un'incertezza residua vicino al confine di classificazione.
• L'esclusione dei pesi del sondaggio limita la generalizzabilità delle stime di prevalenza, sebbene gli autori sostengano che ciò sia accettabile per la modellazione predittiva.
• Non è stata eseguita un'analisi di calibrazione formale (ad esempio, il punteggio di Brier), il che significa che il modello è attualmente meglio inteso come uno strumento di ranking piuttosto che come una fonte di stime di probabilità individuale affidabili.

L'articolo conclude che, sebbene l'approccio riesca ad accogliere la complessità e a rimanere interpretabile, il lavoro futuro dovrà dare priorità alla validazione esterna in coorti indipendenti, alla calibrazione formale e all'incorporazione di dati longitudinali per modellare le traiettorie di rischio.