Könnte ein Modell aus Modellen helfen, die Alzheimer-Krankheit besser zu verstehen?

Zwei Menschen können die Diagnose Alzheimer erhalten und dennoch mit ganz unterschiedlichen Problemen konfrontiert sein. Der eine hat möglicherweise vor allem mit Gedächtnisproblemen zu kämpfen, der andere damit, die richtigen Wörter zu finden oder sich an vertrauten Orten zurechtzufinden. Auch ihre Gehirnscans, genetischen Hintergründe und sonstigen gesundheitlichen Beschwerden können sich unterscheiden. Für Forschende, die den weiteren Verlauf vorhersagen möchten, erklärt die Diagnose allein vieles nicht.

Eine von Forschenden der Hebrew University of Jerusalem geleitete Übersichtsarbeit schlägt einen computergestützten Ansatz vor, um diese Unterschiede genauer in den Blick zu nehmen. Statt nach einem Modell zu suchen, das alle Patientinnen und Patienten erklärt, skizziert das Team das Metamodellieren: Dabei werden spezialisierte Modelle zu verschiedenen Aspekten der Krankheit miteinander verknüpft, um ein detaillierteres individuelles Profil zu erstellen.

Die Arbeit Die Alzheimer-Krankheit im Zeitalter der computergestützten Forschung: von einer deterministischen Krankheit zu einer vielschichtigen Störung wurde am 30. Juli 2026 in Brain veröffentlicht. Zu den Autorinnen und Autoren zählen Meitar Benbaji, Barak Raveh, Lana Bassal, Uri Elias, Lidor Gazit, Gilles Allali, Gad A. Marshall und Shahar Arzy. Sie sind der Hebrew University, dem Hadassah Medical Center, dem Lausanne University Hospital sowie mit Harvard verbundenen Krankenhäusern zugeordnet.

Es handelt sich um einen Vorschlag für künftige Forschung, nicht um ein validiertes Diagnosesystem oder eine nachgewiesene Behandlung. Seine Bedeutung liegt in einer anderen Frage: Können computergestützte Methoden die vielen voneinander losgelösten Erkenntnisse über Alzheimer in Erklärungen und Vorhersagen umwandeln, die für eine bestimmte Person nützlich sind?

Warum eine einzige Diagnose wichtige Unterschiede verschleiern kann

In der Mitteilung der Universität wird betont, dass Alzheimer mit unterschiedlichen Kombinationen aus kognitiven Symptomen, Veränderungen im Gehirn, biologischen Prozessen, genetischen Faktoren und Risikofaktoren einhergehen kann. Gedächtnisstörungen sind nur ein Teil dieses Bildes. Auch Orientierung, Sprache, Verhalten, visuelle Verarbeitung und exekutive Funktionen können beeinträchtigt sein.

Auch das biologische Gesamtbild reicht über Amyloid und Tau hinaus, die beiden Proteine, die am engsten mit der Krankheit in Verbindung gebracht werden. Die Forschenden sprechen sich dafür aus, neben ihnen auch entzündliche, vaskuläre, metabolische und weitere Prozesse zu berücksichtigen. Ziel ist es zu verstehen, wie sich diese Faktoren bei einer einzelnen Person verbinden, statt anzunehmen, dass die Krankheit bei allen Menschen mit derselben Diagnose gleich verläuft.

In der Pressemitteilung beschreibt Arzy die zentrale Herausforderung als das Verständnis der jeweils besonderen Kombination biologischer und kognitiver Veränderungen bei jeder Patientin und jedem Patienten. Ein umfassenderes Profil könnte kognitive und verhaltensbezogene Untersuchungen mit Bildgebung, Biomarkern, genetischen Daten, molekularen Messwerten und im Zeitverlauf gesammelten Beobachtungen verbinden.

Das ist eine anspruchsvolle Integrationsaufgabe. Ein Gehirnbild, ein Maß für das genetische Risiko und eine Aufzeichnung der Veränderungen alltäglicher Fähigkeiten beschreiben jeweils etwas anderes. Sie in einer Datenbank zusammenzuführen, wäre ein erster Schritt; schwieriger ist es, ihre Zusammenhänge zu erklären.

Wie ein Modell aus Modellen funktionieren würde

Das vorgeschlagene Bayes’sche Rahmenwerk beginnt mit Teilmodellen, die ausgewählte Aspekte der Krankheit behandeln. Jedes davon wird in ein probabilistisches Surrogat überführt: eine Darstellung der Zusammenhänge zwischen relevanten Eingaben, Ausgaben und Parametern. Anschließend verknüpft eine Kopplungsschicht diese Darstellungen über gemeinsame Variablen wie das Krankheitsstadium oder die Progressionsrate.

Einfach ausgedrückt, gibt der Ansatz ansonsten voneinander getrennten Modellen eine gemeinsame mathematische Sprache. Ein Bildgebungsmodell und ein kognitives Modell könnten Evidenz zu derselben Einschätzung des Zustands einer Patientin oder eines Patienten beitragen und dabei ihre unterschiedlichen Strukturen beibehalten. Zu den angestrebten Ergebnissen gehören individuelle Krankheitsverläufe, Patientengruppen sowie Vergleiche vorhergesagter Ergebnisse mit und ohne Intervention.

Die Arbeit sieht außerdem vor, dass konkurrierende Modellformulierungen nebeneinander bestehen und anhand der Evidenz gegeneinander abgewogen werden können. Das ist in einem Forschungsgebiet wertvoll, in dem unterschiedliche Auffassungen darüber bestehen können, welche Mechanismen den größten Einfluss haben. Modellierte Interventionseffekte blieben jedoch Hypothesen, die überprüft werden müssen; die Veränderung eines Parameters in einer Simulation belegt nicht, dass eine Behandlung einer Patientin oder einem Patienten helfen wird.

Die Herausforderung für die Informatik geht über das Erkennen von Mustern hinaus

Für ein Publikum aus dem KI-Bereich liegt der interessante Unterschied darin, einen Zusammenhang zu erkennen oder eine Erklärung zu entwickeln, die einer kritischen Prüfung standhält. Ein System könnte lernen, dass sich zwei Messwerte gemeinsam verändern, ohne zu zeigen, ob eine Veränderung des einen den anderen verbessern würde. Eine personalisierte Behandlung erfordert weit mehr als eine überzeugend klingende Vorhersage.

Der Metamodellierungsansatz macht daher besonders wichtig, wie Evidenz und Annahmen zueinander stehen. Ist ein Teilmodell unzuverlässig, wird es durch die Verknüpfung mit anderen Modellen nicht automatisch verlässlicher. Ein komplexeres System kann auch komplexere Fehler hervorbringen, wenn Forschende seine Bestandteile und die kombinierten Vorhersagen nicht sorgfältig prüfen.

Die Arbeit spiegelt auch den interdisziplinären Charakter der Forschungsgruppe der Hebrew University wider. Dem Universitätsprofil zufolge umfasst das Team Neurowissenschaftlerinnen und Neurowissenschaftler, Klinikerinnen und Kliniker sowie Informatikerinnen und Informatiker, die untersuchen, wie Menschen mit ihrer Umgebung in Beziehung treten, und sich dabei besonders auf Alzheimer konzentrieren. Diese Perspektive erklärt, warum der Vorschlag neben biologischen Messwerten auch den kognitiven Alltagserfahrungen einen Platz einräumt.

Was sich dadurch für die Forschung und klinische Studien ändern könnte

Wenn ein integriertes Modell erfolgreich entwickelt und validiert wird, könnte es Forschenden dabei helfen, Patientinnen und Patienten zu identifizieren, deren Erkrankung durch ähnliche Kombinationen von Prozessen geprägt wird. Das könnte eine präzisere Gruppeneinteilung in klinischen Studien ermöglichen und den Forschenden helfen zu entscheiden, auf welche Mechanismen bei welchen Teilnehmenden abgezielt werden sollte.

Es könnte auch dazu beitragen, den Krankheitsverlauf individueller zu betrachten. Statt nur zu fragen, wie sich der durchschnittliche Patient verändert, könnten Forschende untersuchen, wie sich die Symptome, Biomarker und Risikofaktoren einer bestimmten Person gemeinsam entwickeln. Die Beobachtung der Patientinnen und Patienten über einen längeren Zeitraum würde Möglichkeiten bieten, Prognosen mit dem tatsächlichen Verlauf zu vergleichen.

Die Universität beschreibt eine weitere mögliche Anwendung: den Vergleich simulierter Verläufe mit und ohne Intervention. Solche Vergleiche könnten dabei helfen, Forschungsfragen zu priorisieren, bevor kostspielige Studien durchgeführt werden. Sie müssten als modellbasierte Schätzungen interpretiert werden, bei denen Unsicherheiten und Annahmen offengelegt werden, und nicht als Beleg dafür, dass eine Intervention wirkt.

Eine Forschungsagenda mit erheblichem Arbeitsaufwand

Der Vorschlag der Autorinnen und Autoren hängt von größeren, vielfältigeren Datensätzen, wiederholten Validierungen und der Zusammenarbeit innerhalb der Alzheimer-Forschungsgemeinschaft ab. Diese Voraussetzungen sind für die Idee zentral. Ein detailliertes Patientenprofil ist nur dann nützlich, wenn die zugrunde liegenden Informationen zuverlässig sind und sich seine Vorhersagen auch bei anderen Personen und Datensätzen bewähren als denen, mit denen es erstellt wurde.

Zudem stellt sich ganz praktisch die Frage, welchen zusätzlichen Nutzen die größere Komplexität bringt. Die Forschenden müssten nachweisen, dass die Kombination von Modellen eine wichtige Aufgabe verbessert – etwa die Prognose des Krankheitsverlaufs oder die Identifizierung einer aussagekräftigen Patientengruppe – und zwar so sehr, dass sich der zusätzliche Aufwand für die Datenerhebung und Modellierung rechtfertigt.

Der unmittelbare Beitrag ist ein Rahmenkonzept, das Forschungsergebnisse miteinander verknüpfen soll, und kein klinisches Produkt. Das Potenzial besteht darin, dass die Unterschiede zwischen Patientinnen und Patienten zu etwas werden könnten, das sich mithilfe computergestützter Verfahren erklären lässt, statt als Variation bestehen zu bleiben, die eine einzelne Diagnose nicht auflöst. Ob dies zu besseren Entscheidungen führt, hängt von der Evidenz ab, die dafür geschaffen wird.