Kan een model van modellen helpen de ziekte van Alzheimer te ontrafelen?

Twee mensen kunnen de diagnose Alzheimer krijgen en toch met opvallend verschillende problemen te maken hebben. De een kan vooral moeite hebben met het geheugen, de ander met het vinden van woorden of het navigeren op vertrouwde plekken. Ook hun hersenscans, genetische achtergrond en andere gezondheidsproblemen kunnen verschillen. Voor onderzoekers die proberen te voorspellen wat er daarna gebeurt, laat de diagnose op zichzelf veel onverklaard.

Een overzichtsartikel onder leiding van onderzoekers van de Hebrew University of Jerusalem stelt een computationele manier voor om die verschillen in beeld te brengen. In plaats van één model te zoeken dat elke patiënt verklaart, schetst het team metamodellering: gespecialiseerde modellen van verschillende aspecten van de ziekte met elkaar verbinden om een gedetailleerder individueel profiel op te stellen.

Het artikel, De ziekte van Alzheimer in het computationele tijdperk: van een deterministische ziekte naar een veelzijdige aandoening, verscheen op 30 juli 2026 in Brain. Tot de auteurs behoren Meitar Benbaji, Barak Raveh, Lana Bassal, Uri Elias, Lidor Gazit, Gilles Allali, Gad A. Marshall en Shahar Arzy. Hun affiliaties omvatten Hebrew University, Hadassah Medical Center, Lausanne University Hospital en ziekenhuizen die verbonden zijn aan Harvard.

Het gaat om een voorstel voor toekomstig onderzoek, niet om een gevalideerd diagnostisch systeem of een aangetoonde behandeling. De betekenis ervan ligt in een andere vraag: kunnen computationele methoden de vele losstaande bevindingen over Alzheimer omzetten in verklaringen en voorspellingen die nuttig zijn voor een specifiek persoon?

Waarom één label belangrijke verschillen kan verhullen

In de aankondiging van de universiteit wordt benadrukt dat Alzheimer gepaard kan gaan met verschillende combinaties van cognitieve symptomen, veranderingen in de hersenen, biologische processen, genetische factoren en risicofactoren. Geheugenproblemen vormen maar een deel van het geheel. Ook de oriëntatie, taal, het gedrag, de visuele verwerking en de executieve functies kunnen worden aangetast.

Ook het biologische beeld omvat meer dan amyloïd en tau, de twee eiwitten die het sterkst met de ziekte in verband worden gebracht. De onderzoekers pleiten ervoor daarnaast ook ontstekingsprocessen, vaatprocessen, stofwisselingsprocessen en andere processen in aanmerking te nemen. Het doel is te begrijpen hoe deze factoren bij één persoon samenkomen, in plaats van ervan uit te gaan dat iedereen met dezelfde diagnose hetzelfde ziekteverloop doormaakt.

In het persbericht omschrijft Arzy de centrale uitdaging als het begrijpen van de specifieke combinatie van biologische en cognitieve veranderingen bij elke patiënt. Een rijker profiel zou cognitieve en gedragsbeoordelingen kunnen combineren met beeldvorming, biomarkers, genetische gegevens, moleculaire metingen en observaties die in de loop van de tijd worden verzameld.

Dat is een complexe integratieopgave. Een hersenbeeld, een meting van genetisch risico en een overzicht van veranderingen in dagelijkse vaardigheden beschrijven elk iets anders. Ze in één database verzamelen zou een begin zijn; begrijpen hoe ze met elkaar samenhangen is de moeilijkere taak.

Hoe een model van modellen zou werken

Het voorgestelde Bayesiaanse raamwerk begint met deelmodellen die specifieke onderdelen van de ziekte behandelen. Elk model wordt omgezet in een probabilistisch surrogaatmodel: een weergave van de relaties tussen relevante invoer, uitvoer en parameters. Vervolgens koppelt een verbindingslaag deze weergaven via gedeelde variabelen, zoals het ziektestadium of de progressiesnelheid.

In begrijpelijke bewoordingen geeft deze aanpak afzonderlijke modellen een gemeenschappelijke wiskundige taal. Een beeldvormingsmodel en een cognitief model zouden elk bewijs kunnen leveren voor dezelfde inschatting van de toestand van een patiënt, terwijl hun verschillende structuren behouden blijven. De beoogde uitkomsten omvatten individuele ziekteverlopen, patiëntsubgroepen en vergelijkingen van voorspelde uitkomsten met en zonder een interventie.

Het artikel laat ook toe dat concurrerende formuleringen naast elkaar bestaan en aan de hand van bewijs worden gewogen. Dat is waardevol in een vakgebied waarin onderzoekers van mening kunnen verschillen over welke mechanismen de meeste invloed hebben. De gemodelleerde effecten van interventies blijven echter hypotheses die moeten worden getoetst; een parameter in een simulatie aanpassen bewijst niet dat een behandeling een patiënt zal helpen.

De computationele uitdaging gaat verder dan patronen vinden

Voor een publiek dat geïnteresseerd is in AI, is het belangrijke onderscheid dat tussen het vaststellen van een verband en het opbouwen van een verklaring die kritische toetsing kan doorstaan. Een systeem kan leren dat twee metingen samen veranderen zonder aan te tonen of een verandering van de ene de andere zou verbeteren. Voor gepersonaliseerde behandeling is veel meer nodig dan een overtuigende voorspelling.

Het voorstel voor metamodellering maakt de relatie tussen bewijs en aannames daarom bijzonder belangrijk. Als een deelmodel onbetrouwbaar is, wordt het niet automatisch betrouwbaarder door het met andere modellen te verbinden. Een uitgebreider systeem kan een uitgebreidere fout opleveren, tenzij onderzoekers de onderdelen en de gecombineerde voorspellingen zorgvuldig toetsen.

Het onderzoek weerspiegelt ook het interdisciplinaire karakter van de onderzoeksgroep van Hebrew University. In het universiteitsprofiel wordt een team beschreven van neurowetenschappers, clinici en computerwetenschappers dat onderzoekt hoe mensen zich tot hun omgeving verhouden, met bijzondere aandacht voor Alzheimer. Dat perspectief helpt verklaren waarom het voorstel alledaagse cognitieve ervaringen een plaats geeft naast biologische metingen.

Wat dit zou kunnen betekenen voor onderzoek en klinische studies

Als het succesvol wordt ontwikkeld en gevalideerd, kan een geïntegreerd model onderzoekers helpen patiënten te identificeren bij wie de ziekte wordt aangedreven door vergelijkbare combinaties van processen. Dat kan leiden tot nauwkeurigere indelingen in klinische onderzoeken en onderzoekers helpen bepalen op welke mechanismen ze zich bij welke deelnemers moeten richten.

Het kan ook helpen om het ziekteverloop meer individueel te benaderen. In plaats van alleen te vragen hoe een gemiddelde patiënt verandert, kunnen onderzoekers nagaan hoe de symptomen, biomarkers en risicofactoren van een specifieke persoon zich gezamenlijk ontwikkelen. Door patiënten gedurende langere tijd te volgen, ontstaan mogelijkheden om voorspellingen te vergelijken met wat er daadwerkelijk gebeurt.

De universiteit noemt nog een mogelijk gebruik: gesimuleerde ziekteverlopen vergelijken met en zonder een interventie. Zulke vergelijkingen kunnen helpen onderzoeksprioriteiten vast te stellen voordat kostbare studies worden uitgevoerd. Ze moeten worden opgevat als schattingen op basis van modellen, waarbij onzekerheden en aannames inzichtelijk worden gemaakt, en niet als bewijs dat een interventie werkt.

Een onderzoeksagenda met nog veel werk voor de boeg

Het voorstel van de auteurs is afhankelijk van grotere, gevarieerdere datasets, herhaalde validatie en samenwerking binnen de onderzoeksgemeenschap rond Alzheimer. Die vereisten zijn essentieel voor het idee. Een gedetailleerd patiëntprofiel is alleen nuttig als de informatie waarop het berust betrouwbaar is en de voorspellingen ook standhouden bij andere mensen en datasets dan die waarmee het is opgebouwd.

Ook is het de praktische vraag wat de extra complexiteit oplevert. Onderzoekers moeten aantonen dat het combineren van modellen een belangrijke taak verbetert, zoals het voorspellen van het ziekteverloop of het identificeren van een betekenisvolle patiëntensubgroep, en wel in voldoende mate om de extra gegevensverzameling en het aanvullende modelleerwerk te rechtvaardigen.

De directe bijdrage is een raamwerk om onderzoek met elkaar te verbinden, geen klinisch product. De belofte ervan is dat berekeningen de verschillen tussen patiënten kunnen helpen verklaren, in plaats van dat die variatie onverklaard blijft door één diagnostisch label. Of dit tot betere beslissingen leidt, hangt af van het bewijs dat ermee wordt opgebouwd.