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

Ziekte van Alzheimer en gerelateerde dementies zijn geen plotselinge gebeurtenissen die zonder waarschuwing toeslaan; het zijn langzame, sluipende processen die het brein al jaren beginnen te veranderen voordat iemand ooit een naam vergeet of verdwaalt op een vertrouwde plek. Omdat deze veranderingen zo vroeg plaatsvinden, hopen artsen en onderzoekers al lang een manier te vinden om het risico te signaleren lang voordat de symptomen verschijnen, zodat er vroegtijdige zorg en betere planning mogelijk is. De uitdaging is dat het menselijk brein complex is en dat de tekenen van problemen vaak subtiel en verspreid zijn over de medische geschiedenis van een persoon. Om dit op te lossen, hebben wetenschappers zich gericht op elektronische patiëntendossiers, de enorme digitale archieven van elk doktersbezoek, elk recept en elke laboratoriumtest die een patiënt ooit heeft ontvangen. Deze dossiers bevatten een leven aan aanwijzingen, maar ze zijn rommelig, onregelmatig en moeilijk te lezen. De kernvraag voor onderzoekers is hoe ze deze chaotische stroom aan gegevens kunnen omzetten in een helder beeld van wie er risico loopt, en of de beste manier om dat te doen afhangt van hoe ver in de toekomst we proberen te voorspellen.

Een team van onderzoekers zette zich schouder aan schouder om verschillende manieren te testen om computers te leren deze medische geschiedenissen te lezen om het ontstaan van dementie te voorspellen. Ze vergeleken twee zeer verschillende benaderingen om een leven van een patiënt in de computer te representeren. De eerste benadering was rechttoe rechtaan en transparant: het telde simpelweg hoe vaak een patiënt de dokter had bezocht, hoeveel verschillende medicijnen hij had gebruikt en hoe vaak specifieke diagnoses voorkwamen, waarbij deze tellingen werden georganiseerd in tijdsvensters. De tweede benadering was veel complexer en maakte gebruik van geavanceerde kunstmatige intelligentie-modellen die waren voorgetraind op miljoenen medische dossiers om een verborgen, wiskundige "samenvatting" van de gehele gezondheidstraject van een patiënt te maken. De onderzoekers wilden zien welke methode beter werkte, hoe hun prestaties veranderden naarmate ze probeerden de ziekte verder in de toekomst te voorspellen, en of deze methoden zouden werken als ze op een compleet andere groep patiënten in een ander ziekenhuissysteem zouden worden toegepast.

Met behulp van een omvangrijke nationale database van gezondheidsgegevens trainde het team hun modellen om dementie te voorspellen op zes, twaalf, vierentwintig en zevenendertig maanden voordat een patiënt daadwerkelijk de diagnose kreeg. Ze ontdekten dat de eenvoudigere, op tellingen gebaseerde benadering over het algemeen de meest betrouwbare was. Het was beter in het onderscheiden van patiënten die de ziekte zouden ontwikkelen en zij die dat niet zouden doen, en de voorspellingen waren nauwkeuriger wat betreft de waarschijnlijkheid. Dit voordeel was het meest uitgesproken bij het kijken naar de nabije toekomst; voor voorspellingen gemaakt zes maanden voor een diagnose, presteerde de eenvoudige telmethode aanzienlijk beter dan de complexe kunstmatige intelligentie-modellen. Echter, naarmate de onderzoekers verder terug in de tijd keken, in een poging de ziekte een volledig jaar van drie jaar van tevoren te voorspellen, kromp de kloof tussen de twee methoden. Op het punt van zesendertig maanden haalden de complexe modellen in en presteerden ze bijna net zo goed als de eenvoudige tellingen, hoewel ze deze nog steeds niet overtroffen.

De studie onthulde ook hoe de computermodellen "dachten" terwijl ze verder terug in de tijd keken. Bij het voorspellen van de ziekte op de korte termijn vertrouwden de modellen zwaar op specifieke cognitieve symptomen, zoals diagnoses van geheugenverlies of milde cognitieve stoornissen. Maar naarmate het voorspellingsvenster verder in het verleden werd uitgerekt, waren deze specifieke symptomen vaak nog niet aanwezig in de dossiers. In die gevallen verschoof hun aandacht naar bredere patronen van het gebruik van de gezondheidszorg. Ze begonnen factoren te wegen zoals hoe frequent een patiënt het ziekenhuis bezocht, hoeveel verschillende medicijnen hij werd voorgeschreven en het algemene volume van de medische interacties. Het lijkt erop dat lang voordat het brein duidelijke tekenen van dementie vertoont, het algemene patroon van het zoeken naar zorg verandert, en de modellen leerden deze algemene signalen als vroege waarschuwingen te gebruiken.

De onderzoekers testten ook of deze modellen naar een ander ziekenhuissysteem konden worden overgebracht zonder ze opnieuw te trainen, een scenario dat bekend staat als zero-shot transfer. Ze pasten de modellen die getraind waren op de nationale database toe op een aparte, onafhankelijke dataset van een universitair ziekenhuis. De resultaten waren schokkend: de prestaties daalden aanzienlijk voor beide methoden. De modellen hadden moeite om zich aan te passen aan de andere patiëntenpopulatie, die ouder was en een andere raciale demografie had, evenals aan verschillende patronen van hoe artsen informatie registreerden. Hoewel de complexe kunstmatige intelligentie-modellen het iets beter hielden dan de eenvoudige tellingen in dit moeilijke transferscenario, bleek geen van beide benadering robuust genoeg om perfect te werken over verschillende gezondheidssystemen heen zonder aanpassing. Dit suggereert dat hoewel de technologie krachtig is, het nog geen universeel instrument is dat overal kan worden toegepast zonder zorgvuldige lokale afstemming.

Uiteindelijk toont het werk aan dat er geen enkele "beste" manier is om de medische geschiedenis van een patiënt te representeren voor het voorspellen van dementie. De keuze hangt af van de timing van de voorspelling en de specifieke setting. Voor het opsporen van de ziekte in de nabije toekomst blijven eenvoudige, interpreteerbare tellingen van medische gebeurtenissen de gouden standaard. Voor het kijken naar de verre toekomst worden complexe kunstmatige intelligentie-modellen competitiever, waarbij ze een andere balans van nauwkeurigheid bieden. De bevindingen suggereren dat de weg naar vroege detectie niet ligt in het vinden van één perfect algoritme, maar in het begrijpen van hoe verschillende instrumenten verschillende signalen op verschillende momenten vastleggen, en in het erkennen dat de signalen zelf veranderen naarmate de ziekte beweegt van een ver risico naar een onmiddellijke realiteit.