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

Technische Samenvatting: Retrospectieve Voorspelling en Langetermijnprojectie van de Verspreiding van de Ziekte van Alzheimer

Probleemstelling
Het voorspellen van de verspreiding van niet-overdraagbare ziekten (NCD's), specifiek de ziekte van Alzheimer en dementie, vormt aanzienlijke methodologische uitdagingen vanwege de multifactoriële aard van hun etiologie. In tegenstelling tot infectieziekten worden NCD's gedreven door complexe, dynamische interacties van genetische, gedragsmatige, sociaal-economische en omgevingsfactoren. Traditionele voorspellingsmethoden vertrouwen vaak op het kwantificeren van deze specifieke risicofactoren of gaan uit van processtationariteit, wat beide moeite hebben met de inherente onzekerheid en niet-stationariteit van langetermijndynamiek van ziekten. Bovendien richten bestaande modellen zich vaak op volatiele jaarlijkse indicatoren, wat stabiele langetermijntrends kan maskeren. De auteurs stellen dat nauwkeurige voorspelling cruciaal is voor strategische gezondheidsplanning, de toewijzing van middelen en het rechtvaardigen van onderzoeksfinanciering, maar dat huidige methoden er vaak niet in slagen betrouwbare decenniale projecties te bieden onder omstandigheden van onzekerheid.

Methodologie
Het artikel stelt een nieuwe methodologie voor gebaseerd op een Integraal Inflow-Outflow Model (IIOM) met stochastische parameters. Deze benadering verschuift de analytische focus van het modelleren van individuele risicofactoren of volatiele jaarlijkse casusaantallen naar het modelleren van de dynamiek van de cumulatieve (integrale) volumes van instroom (nieuwe gevallen) en uitstroom (mortaliteit).

Kerncomponenten van de methodologie zijn:

1. Modelkader: De ziektepopulatie wordt behandeld als een "reservoir" dat wordt gedefinieerd door een balansvergelijking: $I(t) = X_{inf}(t, t_0) - X_{of}(t, t_0)$, waarbij $I(t)$ het aantal actieve gevallen is, $X_{inf}$ de cumulatieve instroom is, en $X_{of}$ de cumulatieve uitstroom is.
2. Stochastische Ratio's: Het model maakt gebruik van veranderingsratio's van deze cumulatieve volumes ($r_{inf}$ en $r_{of}$) in plaats van ruwe aantallen.
3. Identificatie van Trends: Een kernbevinding van de studie is dat hoewel jaarlijkse ratio's volatiel kunnen zijn, de ratio's van de integrale instroom en uitstroom een monotone afname vertonen over de tijd. Deze eigenschap maakt de constructie van lineaire trends mogelijk.
4. Voorspellingsmechanisme:
   • De auteurs berekenen de gemiddelde jaarlijkse afname in de procentuele toenames van instroom en uitstroom ($\alpha_{inf}$ en $\alpha_{of}$) over een historische venster (bijv. 10 jaar).
   • Deze ratio's worden benaderd met machtsfuncties via de kleinste-kwadratenmethode.
   • Lineaire trends voor toekomstige stochastische ratio's ($\tilde{r}_{inf}$ en $\tilde{r}_{of}$) worden geëxtrapoleerd met de formule $\tilde{r}(\tau) = r(t) - k(t)(t - \tau)$, waarbij $k(t)$ de trendcoëfficiënt is die uit historische gegevens is afgeleid.
   • Deze geëxtrapoleerde ratio's worden teruggeplaatst in de discrete IIOM-vergelijkingen om 10-jaars en langetermijnprojecties te genereren.
5. Validatie: De nauwkeurigheid van het model wordt geëvalueerd met behulp van de Mean Absolute Percentage Error (MAPE) tegenover retrospectieve gegevens van het Institute for Health Metrics and Evaluation (IHME) voor de periode 1990–2021.

Belangrijkste Bijdragen
De auteurs identificeren drie primaire nieuwheid in hun aanpak:

1. Verschuiving in de Focus van Modellering: De verschuiving van volatiele jaarcijfers naar de stochastische dynamiek van geaccumuleerde casusvolumes om stabiele langetermijntrends te onthullen.
2. Operationalisering van Monotoniciteit: Het identificeren en benutten van de eigenschap van monotone afname in de ratio's van integrale instroom en uitstroom als een voorspelbare lineaire trend voor voorspellingen.
3. Praktische Techniek: Het ontwikkelen van een specifieke voorspellingsmethode gebaseerd op het extrapoleren van deze lineaire trends, die ook is getest op fundamenteel verschillende niet-stationaire processen (inclusief COVID-19 en demografische veranderingen) om robuustheid te bevestigen.

Resultaten
De studie presenteert twee hoofdsets van resultaten:

• Retrospectieve 10-jarige Voorspellingen: Steekproefvoorspellingen werden gegenereerd in 2005, 2010 en 2015 voor de Wereld en diverse regio's. Het model vertoonde een hoge nauwkeurigheid. De abstract vermeldt MAPE-waarden voor 10-jarige voorspellingsvensters in het interval [0,23%; 2,73%], terwijl ook specifieke MAPE-waarden in het interval [0,08%; 0,75%] worden opgemerkt. Specifieke regionale MAPE-waarden waren over het algemeen laag, met een wereldwijde gemiddelde van 0,43% (2005 voorspelling), 0,2% (2010 voorspelling) en 0,09% (2015 voorspelling). De conclusie citeert verder een MAPE-bereik van 0,43% tot 1,79% voor de retrospectieve voorspellingen.
• Langetermijnprojectie tot 2050: Gebruikmakend van de modelgebaseerde aanpak, projecteren de auteurs een gestage toename in het absolute aantal gevallen van Alzheimer wereldwijd. Het aantal gevallen zal naar verwachting stijgen van 141,2 miljoen in 2022 naar 489,5 miljoen in 2050.
  • Het aandeel van gevallen binnen de oudere populatie (65+) blijft relatief stabiel (0,84–0,87), wat suggereukt dat demografische vergrijzing de primaire drijfveer is in plaats van veranderingen in leeftijdspecifieke risico's.
  • Regionale verschillen zijn significant. West-Europa zal naar verwachting de hoogste last dragen (65 miljoen gevallen), gevolgd door hooginkomen Noord-Amerika (42,3 miljoen) en Zuidoost-Azië (16,3 miljoen).
  • In contrast hiermee vertonen Tropisch Latijns-Amerika en Oostelijk Sub-Sahara Afrika gematigde proporties (0,72–0,76) van gevallen ten opzichte van hun oudere populaties, wat de verschillende demografische structuren weerspiegelt.
  • Het model bevestigt een monotone deceleratie in groeicijfers, waarbij de jaarlijkse groei daalt van ongeveer 5% in het begin van de jaren 2020 naar 2,5% aan het einde van de projectieperiode.

Betekenis en Claims
Het artikel claimt dat het Integral Stochastic Inflow-Outflow Model een praktisch en betrouwbaar alternatief biedt voor complexere, dataintensieve modellen (zoals Bayesiaanse meta-regressie of CODEm) die een precieze beoordeling vereisen van talrijke moeilijk te kwantificeren risicofactoren. Door de niet-stationaire aard van de verspreiding van NCD's te erkennen en de focus te leggen op de stabiele trends van cumulatieve ratio's, biedt de methodologie een robuust instrument voor besluitvorming onder onzekerheid.

De auteurs concluderen dat deze aanpak een solide fundament legt voor:

• Strategische planning van gezondheidszorgbronnen.
• Het rechtvaardigen van investeringen in preventie en onderzoek.
• Het monitoren van epidemiologische trends.

De studie positioneert de IIOM als een veelbelovend instrument voor langetermijn voorspellingen in de publieke gezondheid, wat een faciliterende rol speelt bij evidence-based besluitvorming in het licht van de groeiende uitdagingen door niet-overdraagbare ziekten, zonder te beweren de onderliggende biologische mechanismen van de ziekte op te lossen.