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

Technische Samenvatting: Een Multidomein Model voor Dementieclassificatie met Geharmoniseerde LASI en LASI-DAD Data

Probleemstelling
Dementieclassificatie in heterogene populaties, met name in lage- en middeninkomenslanden zoals India, wordt bemoeilijkt door de invloed van opleiding, taal, sociaaleconomische status en gezondheid op de prestaties bij cognitieve tests. Het vertrouwen op vaste cognitieve drempelwaarden of geïsoleerde voorspellende sets leidt vaak tot inconsistente prestaties en systematische misclassificatie bij diverse oudere populaties. Bovendien omvat cognitieve achteruitgang gerelateerd aan dementie meerdere biologische en functionele domeinen (vasculair, metabool, functioneel) die zelden volledig worden gevangen door enkel taakgebaseerde cognitieve beoordelingen. De uitdaging bestaat uit het ontwikkelen van een predictief model dat deze multidomeinfactoren integreert om de discriminatie te verbeteren, terwijl de interpreteerbaarheid behouden blijft, specifiek binnen de context van de Longitudinal Ageing Study in India (LASI) en de diagnostische deelstudie (LASI-DAD), waar diagnostische onzekerheid en dataheterogeniteit aanzienlijk zijn.

Methodologie
De studie maakte gebruik van geharmoniseerde data uit LASI en LASI-DAD, wat resulteerde in een analytische steekproef van 3.186 deelnemers (waarbij personen met milde cognitieve stoornissen werden uitgesloten om een binaire grens te definiëren tussen dementie en cognitief onbeduidend stadium).

• Definitie van de Uitkomst: De binaire dementie-uitkomst werd afgeleid van consensusgebaseerde Clinical Dementia Rating (CDR) beoordelingen. Om de inherente diagnostische onzekerheid in grootschalige datasets aan te pakken, hebben de auteurs 20 meervoudig geïmputeerde versies van de binaire dementie-indicator uit het LASI-DAD-protocol gemiddeld. Een drempelwaarde van 0,5 werd toegepast op deze gemiddelde waarde om de uiteindelijke trainingslabel toe te wijzen.
• Predictoren: Een multidomein set van 22 predictoren werd behouden, verspreid over vier domeinen:
  1. Cognitieve Prestaties: MMSE oriëntatie, onmiddellijke/vertraagde woordherinnering, verhaalherinnering, kloktekenen, dierenvlotheid en samengestelde scores voor geheugen en executieve functies.
  2. Door Informant Gerapporteerde Achteruitgang: De Informant Questionnaire on Cognitive Decline in the Elderly (IQCODE).
  3. Cardiometabole Biomarkers: HbA1c, lipidenprofielen (totaal, HDL, LDL, triglyceriden), hsCRP, homocysteïne, Vitamine B12, Vitamine D en albumine.
  4. Sociodemografie: Leeftijd, geslacht en opleidingsniveau.
     Noot: De Hindi Mental State Examination (HMSE) werd uitgesloten om meetongelijkheid door regionale linguïstische variaties in India te voorkomen.
• Data Preprocessing: Ontbrekende waarden werden geïmputeerd met behulp van k-nearest neighbours (KNN, k=5). Categorische variabelen werden ordinaal gecodeerd en continue predictoren werden gestandaardiseerd. Alle preprocessing-stappen werden uitsluitend binnen de trainingspipeline toegepast om data leakage te voorkomen.
• Modelontwikkeling: De dataset werd gesplitst in 70:30 (gestratificeerd). Class imbalance (ongeveer 13,6% dementiegevallen) werd aangepakt met behulp van de Synthetic Minority Oversampling Technique (SMOTE), toegepast uitsluitend binnen de trainingsfolds. Vijf supervised learning algoritmen werden geëvalueerd: Logistische Regressie, Random Forest, Gradient Boosting, XGBoost en Support Vector Machines (SVM).
• Validatiestrategie: Geneste cross-validatie (3-fold inner loop voor hyperparameter tuning, 5-fold outer loop voor prestatieschatting) werd uitgevoerd binnen de trainingsset. Het uiteindelijke model werd geëvalueerd op de apart gehouden testset.
• Interpreteerbaarheid: Permutatie feature belang en SHapley Additive exPlanations (SHAP) werden gebruikt om de bijdragen van features te analyseren.

Belangrijkste Resultaten

• Modelprestaties: Logistische Regressie bleek het optimale model, met een ROC-AUC van 0,932 en een Average Precision van 0,668 op de gehouden testset. Dit presteerde beter dan ensemble methoden (Random Forest: 0,909, Gradient Boosting: 0,912, XGBoost: 0,897, SVM: 0,904).
• Multidomein Waarde: Een "cognitie-alleen" comparator model (beperkt tot taakgebaseerde cognitieve maten) bereikte een ROC-AUC van 0,908. Het volledige multidomein model toonde een incrementele discriminerende waarde, wat bevestigt dat niet-cognitieve features extra structuur toevoegen aan de classificatie.
• Classificatiemetrieken: Bij een optimale waarschijnlijkheidsdrempel van 0,70 bereikte het model een sensitiviteit van 0,771, specificiteit van 0,905 en een Negatieve Voorspellende Waarde (NPV) van 0,985. De Positieve Voorspellende Waarde (PPV) was 0,325, wat de uitdagingen van positieve voorspelling in ongebalanceerde datasets weerspiegelt.
• Feature Belang: Permutatie belang en SHAP-analyses identificeerden door informant gerapporteerde achteruitgang (IQCODE) en oriëntatie als de sterkste predictoren. Cardiometabole variabelen leverden kleinere maar consistente incrementele bijdragen.
• Risicostratificatie: Het model genereerde een gegradeerde risicoverdeling waarbij de prevalentie van dementie progressief toenam over de strata, en ongeveer 50% bereikte in de hoogste risicocategorie.

Betekenis en Claims
Het artikel stelt dat dementieclassificatie in een sociaal en klinisch heterogene Indiase cohort verbeterd kan worden door het integreren van cognitieve, informant-, cardiometabole en sociodemografische informatie binnen één interpreteerbaar model.

• Interpreteerbaarheid versus Complexiteit: De studie demonstreert dat een transparant logistisch regressiemodel de prestaties van complexe ensemble methoden kan evenaren of overtreffen, terwijl het een grotere interpreteerbaarheid biedt, wat cruciaal is voor klinische redenering.
• Rol van Informanten: De bevindingen benadrukken dat door informanten gerapporteerde maten (IQCODE) een sterker predictief signaal dragen dan individuele cognitieve taken in deze populatie. Dit wordt toegeschreven aan het vermogen van de informant om functionele achteruitgang vast te leggen ten opzichte van de baseline van het individu, in plaats van prestaties tegenover populatienormen die beïnvloed kunnen worden door educatieve achterstand.
• Noodzaak van Multidomein: De resultaten ondersteunen de visie dat dementie een multidomein syndroom is waarbij vasculaire en metabole factoren, hoewel ze individueel niet dominant zijn, noodzakelijke structurele context bieden aan het kernsignaal van cognitie.
• Operationele Bruikbaarheid: De hoge NPV suggereert dat het model effectief is voor het uitsluiten van dementie in omgevingen met beperkte middelen, terwijl de risicogradient de mogelijkheid biedt om personen met een hoog risico te prioriteren voor specialistische evaluatie.

Beperkingen en Toekomstige Richtingen
De auteurs geven expliciet aan dat het model intern gevalideerd is en externe validatie en kalibratie vereist voordat bredere toepassing mogelijk is. Belangrijke beperkingen zijn:

• Het dwarsdoorsnede-karakter van de data verhindert het vaststellen van een causale richting of het modelleren van progressie.
• De uitkomst is afhankelijk van geïmputeerde data, wat een residuele onzekerheid nabij de classificatiegrens introduceert.
• De uitsluiting van survey-gewichten beperkt de generaliseerbaarheid van prevalentieschattingen, hoewel de auteurs aanvoeren dat dit acceptabel is voor predictieve modellering.
• Een formele kalibratieanalyse (bijv. Brier score) is niet uitgevoerd, wat betekent dat het model momenteel het beste begrepen kan worden als een rankingtool in plaats van een bron van betrouwbare individuele waarschijnlijkheidsschattingen.

Het artikel concludeert dat, hoewel de aanpak succesvol complexiteit accommodeert en interpreteerbaar blijft, toekomstig werk prioriteit moet geven aan externe validatie in onafhankelijke cohorten, formele kalibratie en het gebruik van longitudinale data om risicotrajecten te modelleren.