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

Resumo Técnico: Um Modelo Multidomínio para Classificação de Demência utilizando Dados Harmonizados do LASI e LASI-DAD

Definição do Problema
A classificação da demência em populações heterogêneas, particularmente em contextos de baixa e média renda como a Índia, é complicada pela influência da educação, linguagem, status socioeconômico e saúde no desempenho de testes cognitivos. Depender de limiares cognitivos fixos ou conjuntos de preditores isolados frequentemente leva a um desempenho inconsistente e à classificação errônea sistemática entre diversas populações de adultos mais velhos. Além disso, o declínio relacionado à demência envolve múltiplos domínios biológicos e funcionais (vascular, metabólico, funcional) que raramente são capturados apenas por avaliações cognitivas baseadas em tarefas. O desafio é desenvolver um modelo preditivo que integre esses fatores multidomínio para melhorar a discriminação, mantendo-se interpretável, especificamente no contexto do Longitudinal Ageing Study in India (LASI) e seu subestudo diagnóstico (LASI-DAD), onde a incerteza diagnóstica e a heterogeneidade dos dados são significativas.

Metodologia
O estudo utilizou dados harmonizados do LASI e LASI-DAD, resultando em uma amostra analítica de 3.186 participantes (excluindo aqueles com Comprometimento Cognitivo Leve para definir uma fronteira binária entre demência e estado cognitivamente preservado).

• Definição do Desfecho: O desfecho binário de demência foi derivado de avaliações de consenso baseadas na Clinical Dementia Rating (CDR). Para abordar a incerteza diagnóstica inerente a grandes conjuntos de dados, os autores calcularam a média de 20 versões de imputação múltipla do indicador binário de demência fornecido pelo protocolo LASI-DAD. Um limiar de 0,5 foi aplicado a este valor médio para atribuir o rótulo final de treinamento.
• Preditores: Foi mantido um conjunto multidomínio de 22 preditores, abrangendo quatro domínios:
  1. Desempenho Cognitivo: Orientação no MMSE, recordação imediata/tardia de palavras, recordação de histórias, desenho do relógio, fluência de animais e escores compostos para memória e função executiva.
  2. Declínio Relatado por Informantes: O Informant Questionnaire on Cognitive Decline in the Elderly (IQCODE).
  3. Biomarcadores Cardiometabólicos: HbA1c, perfis lipídicos (total, HDL, LDL, triglicerídeos), hsCRP, homocisteína, Vitamina B12, Vitamina D e albumina.
  4. Sociodemográficos: Idade, sexo e nível de escolaridade.
     Nota: O Hindi Mental State Examination (HMSE) foi excluído para evitar inequivalência de medida devido às variações linguísticas regionais na Índia.
• Pré-processamento de Dados: Os valores ausentes foram imputados usando k-nearest neighbours (KNN, k=5). As variáveis categóricas foram codificadas ordinalmente e os preditores contínuos foram padronizados. Todas as etapas de pré-processamento foram ajustadas exclusivamente dentro do pipeline de treinamento para evitar vazamento de dados (data leakage).
• Desenvolvimento do Modelo: O conjunto de dados foi dividido em 70:30 (estratificado). O desequilíbrio de classes (aproximadamente 13,6% de casos de demência) foi abordado usando a Técnica de Sobreamostragem de Minoria Sintética (SMOTE), aplicada apenas dentro das dobras (folds) de treinamento. Cinco algoritmos de aprendizado supervisionado foram avaliados: Regressão Logística, Random Forest, Gradient Boosting, XGBoost e Support Vector Machines (SVM).
• Estratégia de Validação: A validação cruzada aninhada (nested cross-validation) (loop interno de 3 dobras para ajuste de hiperparâmetros, loop externo de 5 dobras para estimativa de desempenho) foi conduzida dentro do conjunto de treinamento. O modelo final foi avaliado no conjunto de teste mantido à parte (held-out test set).
• Interpretabilidade: A importância de permutação (permutation feature importance) e as explicações SHapley Additive exPlanations (SHAP) foram utilizadas para analisar as contribuições das características.

Principais Resultados

• Desempenho do Modelo: A Regressão Logística emergiu como o modelo ideal, alcançando uma ROC-AUC de 0,932 e uma Precisão Média de 0,668 no conjunto de teste. Este desempenho superou os métodos de conjunto (ensemble methods) (Random Forest: 0,909; Gradient Boosting: 0,912; XGBoost: 0,897; SVM: 0,904).
• Valor Multidomínio: Um modelo comparador de "apenas cognição" (restrito a medidas cognitivas baseadas em tarefas) alcançou uma ROC-AUC de 0,908. O modelo multidomínio completo demonstrou valor discriminatório incremental, confirmando que características não cognitivas adicionam estrutura à classificação.
• Métricas de Classificação: Em um limiar de probabilidade ideal de 0,70, o modelo alcançou uma sensibilidade de 0,771, especificidade de 0,905 e um Valor Preditivo Negativo (VPN) de 0,985. O Valor Preditivo Positivo (VPP) foi de 0,325, refletindo os desafios da predição positiva em conjuntos de dados desequilibrados.
• Importância das Características: As análises de importância de permutação e SHAP identificaram o declínio relatado pelo informante (IQCODE) e a orientação como os preditores mais fortes. As variáveis cardiometabólicas forneceram contribuições incrementais menores, porém consistentes.
• Estratificação de Risco: O modelo gerou uma distribuição de risco graduada onde a prevalência de demência aumentou progressivamente através dos estratos, atingindo aproximadamente 50% na categoria de maior risco.

Significância e Alegações
O artigo afirma que a classificação da demência em uma coorte indiana social e clinicamente heterogênea pode ser melhorada integrando informações cognitivas, de informantes, cardiometabólicas e sociodemográficas em um único modelo interpretável.

• Interpretabilidade vs. Complexidade: O estudo demonstra que um modelo de regressão logística transparente pode igualar ou exceder o desempenho de métodos de conjunto complexos, oferecendo maior interpretabilidade, o que é crucial para o raciocínio clínico.
• Papel dos Informantes: Os achados destacam que as medidas relatadas por informantes (IQCODE) carregam um sinal preditivo mais forte do que tarefas cognitivas individuais nesta população. Isso é atribuído à capacidade do informante de capturar o declínio funcional em relação à linha de base do indivíduo, em vez do desempenho contra normas populacionais que podem ser enviesadas pelo desvantagem educacional.
• Necessidade Multidomínio: Os resultados apoiam a visão de que a demência é uma síndrome multidomínio onde fatores vasculares e metabólicos, embora não sejam dominantes individualmente, fornecem o contexto estrutural necessário ao sinal cognitivo central.
• Utilidade Operacional: O alto VPN sugere que o modelo é eficaz para descartar a demência em ambientes de recursos limitados, enquanto o gradiente de risco permite priorizar indivíduos de alto risco para avaliação especializada.

Limitações e Direções Futuras
Os autores declaram explicitamente que o modelo é validado internamente e requer validação externa e calibração antes de sua aplicação mais ampla. As principais limitações são:

• A natureza transversal dos dados impede o estabelecimento de direção causal ou a modelagem da progressão.
• O desfecho depende de dados imputados, introduzindo incerteza residual próximo à fronteira de classificação.
• A exclusão de pesos de amostragem limita a generalização das estimativas de prevalência, embora os autores argumentem que isso é aceitável para modelagem preditiva.
• Uma análise de calibração formal (ex: escore de Brier) não foi realizada, o que significa que o modelo é atualmente melhor compreendido como uma ferramenta de classificação por ranking do que como uma fonte de estimativas de probabilidade individual confiáveis.

O artigo conclui que, embora a abordagem consiga acomodar a complexidade e permaneça interpretável, o trabalho futuro deve priorizar a validação externa em coortes independentes, a calibração formal e a incorporação de dados longitudinais para modelar trajetórias de risco.