Kan en model af modeller hjælpe med at udrede Alzheimers sygdom?

To personer kan få stillet diagnosen Alzheimers sygdom og alligevel stå over for markant forskellige problemer. Den ene kan først og fremmest have svært ved at huske, mens den anden kan kæmpe med at finde ord eller finde rundt på velkendte steder. Deres hjernescanninger, genetiske baggrund og andre helbredsproblemer kan også være forskellige. For forskere, der forsøger at forudsige sygdommens videre forløb, efterlader diagnosen alene mange spørgsmål ubesvarede.

Et forskerhold ved Hebrew University of Jerusalem har ledet en gennemgang, der foreslår en beregningsmæssig metode til at sætte disse forskelle i fokus. I stedet for at lede efter én model, der kan forklare alle patienter, beskriver holdet metamodellering: en sammenkobling af specialiserede modeller for forskellige aspekter af sygdommen med henblik på at udarbejde en mere detaljeret individuel profil.

Artiklen, Alzheimers sygdom i den beregningsmæssige tidsalder: fra en deterministisk sygdom til en multifacetteret lidelse, blev offentliggjort i Brain den 30. juli 2026. Blandt forfatterne er Meitar Benbaji, Barak Raveh, Lana Bassal, Uri Elias, Lidor Gazit, Gilles Allali, Gad A. Marshall og Shahar Arzy, som er tilknyttet Hebrew University, Hadassah Medical Center, Lausanne University Hospital og hospitaler med tilknytning til Harvard.

Der er tale om et forslag til fremtidig forskning, ikke et valideret diagnosesystem eller en dokumenteret behandling. Betydningen ligger i et andet spørgsmål: Kan beregningsmetoder omsætte de mange usammenhængende fund om Alzheimers sygdom til forklaringer og forudsigelser, der er nyttige for den enkelte?

Hvorfor én diagnosebetegnelse kan skjule vigtige forskelle

Universitetets meddelelse understreger, at Alzheimers sygdom kan omfatte forskellige kombinationer af kognitive symptomer, forandringer i hjernen, biologiske processer, genetik og risikofaktorer. Hukommelsessvækkelse er kun én del af billedet. Orienteringsevne, sprog, adfærd, visuel bearbejdning og eksekutive funktioner kan også være påvirket.

Det biologiske billede rækker ligeledes ud over amyloid og tau, de to proteiner, der forbindes tættest med sygdommen. Forskerne argumenterer for også at inddrage inflammatoriske, vaskulære, metaboliske og andre processer. Målet er at forstå, hvordan disse faktorer spiller sammen hos den enkelte, frem for at antage, at alle med samme diagnose følger et identisk forløb.

I pressemeddelelsen beskriver Arzy den centrale udfordring som forståelsen af den enkelte patients særlige kombination af biologiske og kognitive forandringer. En mere omfattende profil kan kombinere kognitive og adfærdsmæssige vurderinger med billeddiagnostik, biomarkører, genetik, molekylære målinger og observationer indsamlet over tid.

Det er en krævende integrationsopgave. Et hjernebillede, et mål for genetisk risiko og en registrering af ændringer i daglige færdigheder beskriver hver sit forhold. At samle dem i én database ville være et første skridt; den vanskeligere opgave er at forklare, hvordan de hænger sammen.

Sådan ville en model af modeller fungere

Den foreslåede bayesianske ramme begynder med delmodeller, der behandler udvalgte dele af sygdommen. Hver model omdannes til en probabilistisk surrogatmodel: en repræsentation af sammenhængene mellem relevante input, output og parametre. Derefter forbinder et koblingslag repræsentationerne via fælles variabler, såsom sygdomsstadie eller sygdommens udviklingshastighed.

Med enkle ord giver metoden ellers adskilte modeller et fælles matematisk sprog. En billeddiagnostisk model og en kognitiv model kan bidrage med evidens til det samme skøn over patientens tilstand, samtidig med at de bevarer deres forskellige strukturer. De tilsigtede resultater omfatter individuelle sygdomsforløb, patientundergrupper og sammenligninger af forudsagte resultater med og uden en intervention.

Artiklen giver også mulighed for, at konkurrerende formuleringer kan eksistere side om side og vurderes op mod evidensen. Det er værdifuldt på et forskningsfelt, hvor forskere kan være uenige om, hvilke mekanismer der har størst betydning. Modellerede effekter af interventioner vil dog fortsat være hypoteser, der skal afprøves; at ændre en parameter i en simulering dokumenterer ikke, at en behandling vil hjælpe en patient.

Den beregningsmæssige udfordring rækker ud over mønstergenkendelse

For et AI-publikum er den interessante forskel den, der består mellem at opdage en sammenhæng og at opbygge en forklaring, der kan tåle kritisk granskning. Et system kan lære, at to målinger følges ad, uden at vise, om en ændring af den ene ville forbedre den anden. Personlig behandling kræver langt mere end en overbevisende forudsigelse.

Forslaget om metamodellering gør derfor forholdet mellem evidens og antagelser særligt vigtigt. Hvis en delmodel er upålidelig, bliver den ikke automatisk bedre af at blive koblet sammen med andre modeller. Et mere avanceret system kan skabe mere avancerede fejl, medmindre forskerne nøje afprøver både de enkelte modeller og deres samlede forudsigelser.

Arbejdet afspejler også forskergruppens tværfaglige karakter ved Hebrew University. Universitetets profil beskriver et hold af neuroforskere, klinikere og dataloger, der undersøger, hvordan mennesker forholder sig til deres omgivelser, med særligt fokus på Alzheimers sygdom. Det perspektiv er med til at forklare, hvorfor forslaget lader hverdagens kognitive oplevelser indgå på lige fod med biologiske målinger.

Hvad det kan ændre for forskning og kliniske forsøg

Hvis en integreret model bliver udviklet og valideret med succes, kan den hjælpe forskere med at identificere patienter, hvis sygdom skyldes lignende kombinationer af processer. Det kan gøre det muligt at inddele deltagere mere præcist i kliniske forsøg og hjælpe forskere med at afgøre, hvilke mekanismer der skal målrettes hos hvilke deltagere.

Det kan også gøre sygdomsudviklingen til et mere individuelt spørgsmål. I stedet for kun at spørge, hvordan en gennemsnitlig patient ændrer sig, kan forskere undersøge, hvordan en bestemt persons symptomer, biomarkører og risikofaktorer udvikler sig sammen. Ved at følge patienter over tid bliver det muligt at sammenligne prognoser med det faktiske forløb.

Universitetet beskriver en anden mulig anvendelse: at sammenligne simulerede forløb med og uden en intervention. Sådanne sammenligninger kan hjælpe med at prioritere forskningsspørgsmål, før man gennemfører dyre studier. De skal fortolkes som modelbaserede estimater, hvor usikkerheder og antagelser tydeliggøres, og ikke som dokumentation for, at en intervention virker.

En forskningsdagsorden med et omfattende arbejde forude

Forfatternes forslag afhænger af større og mere forskelligartede datasæt, gentagen validering og samarbejde på tværs af Alzheimers-forskningsmiljøet. Disse krav er helt centrale for idéen. En detaljeret patientprofil er kun nyttig, hvis de oplysninger, den bygger på, er pålidelige, og dens forudsigelser holder stik for andre end de personer og datasæt, der blev brugt til at udvikle den.

Der er også et praktisk spørgsmål om, hvad den øgede kompleksitet giver. Forskerne skal kunne vise, at kombinationen af modeller forbedrer en vigtig opgave, f.eks. at forudsige sygdomsudviklingen eller identificere en meningsfuld patientundergruppe, i tilstrækkelig grad til at retfærdiggøre det ekstra arbejde med dataindsamling og modellering.

Det umiddelbare bidrag er en ramme for at forbinde forskning, ikke et klinisk produkt. Potentialet er, at beregninger kan hjælpe med at forklare forskellene mellem patienter i stedet for at lade dem stå tilbage som variation, der ikke kan forklares med en enkelt diagnose. Om det fører til bedre beslutninger, afhænger af den dokumentation, der opbygges omkring det.