Kan en modell av modeller bidra til å forstå Alzheimers sykdom?

To personer kan få diagnosen Alzheimers sykdom og likevel oppleve påfallende ulike problemer. Den ene kan først og fremst streve med hukommelsen, mens den andre har problemer med å finne ord eller orientere seg på steder han eller hun kjenner godt. Hjerneskanninger, genetisk bakgrunn og andre helsetilstander kan også variere. For forskere som prøver å forutsi hva som skjer videre, er diagnosen alene langt fra nok til å forklare alt.

En gjennomgang ledet av forskere ved Hebrew University of Jerusalem foreslår en beregningsbasert måte å tydeliggjøre disse forskjellene på. I stedet for å lete etter én modell som forklarer alle pasienter, skisserer teamet metamodellering: å koble sammen spesialiserte modeller av ulike aspekter ved sykdommen for å utarbeide en mer detaljert individuell profil.

Artikkelen, Alzheimers sykdom i beregningens tidsalder: fra en deterministisk sykdom til en mangefasettert lidelse, ble publisert i Brain 30. juli 2026. Blant forfatterne er Meitar Benbaji, Barak Raveh, Lana Bassal, Uri Elias, Lidor Gazit, Gilles Allali, Gad A. Marshall og Shahar Arzy, med tilknytninger til Hebrew University, Hadassah Medical Center, Lausanne University Hospital og sykehus tilknyttet Harvard.

Dette er et forslag til framtidig forskning, ikke et validert diagnosesystem eller en dokumentert behandling. Betydningen ligger i et annet spørsmål: Kan beregningsmetoder omdanne de mange usammenhengende funnene om Alzheimers sykdom til forklaringer og forutsigelser som er nyttige for den enkelte?

Hvorfor én enkelt merkelapp kan skjule viktige forskjeller

Universitetets kunngjøring framhever at Alzheimers sykdom kan innebære ulike kombinasjoner av kognitive symptomer, hjerneforandringer, biologiske prosesser, genetiske forhold og risikofaktorer. Hukommelsessvikt er bare én del av bildet. Også orienteringsevne, språk, atferd, visuell bearbeiding og eksekutive funksjoner kan påvirkes.

Det biologiske bildet omfatter også mer enn amyloid og tau, de to proteinene som forbindes sterkest med sykdommen. Forskerne mener at man bør se på betennelsesprosesser, vaskulære og metabolske prosesser og andre mekanismer i tillegg. Målet er å forstå hvordan disse faktorene virker sammen hos den enkelte, i stedet for å anta at alle med samme diagnose følger et identisk sykdomsforløp.

I pressemeldingen beskriver Arzy hovedutfordringen som å forstå hver enkelt pasients særegne kombinasjon av biologiske og kognitive endringer. En mer omfattende profil kan kombinere kognitive og atferdsmessige vurderinger med bildediagnostikk, biomarkører, genetikk, molekylære målinger og observasjoner samlet inn over tid.

Dette er en krevende integreringsoppgave. Et hjernebilde, et mål på genetisk risiko og en oversikt over endringer i daglige ferdigheter beskriver hver sin ting. Å samle dem i én database ville være et første skritt; den vanskeligere oppgaven er å forklare hvordan de henger sammen.

Slik vil en modell av modeller fungere

Det foreslåtte bayesianske rammeverket begynner med delmodeller som behandler utvalgte sider ved sykdommen. Hver modell omformes til en probabilistisk surrogatmodell: en framstilling av sammenhenger mellom relevante inndata, utdata og parametere. Deretter kobler et samordningslag disse framstillingene sammen gjennom felles variabler, som sykdomsstadium eller progresjonshastighet.

Enkelt sagt gir metoden ellers separate modeller et felles matematisk språk. En modell for bildediagnostikk og en kognitiv modell kan bidra med evidens til det samme anslaget av pasientens tilstand, samtidig som de beholder sine ulike strukturer. De planlagte resultatene omfatter individuelle sykdomsforløp, pasientundergrupper og sammenligninger av forventede utfall med og uten et tiltak.

Artikkelen åpner også for at konkurrerende formuleringer kan eksistere side om side og vurderes opp mot evidensen. Dette er verdifullt på et fagfelt der forskere kan være uenige om hvilke mekanismer som har størst betydning. Modellerte effekter av tiltak vil likevel fortsatt være hypoteser som må testes; å endre en parameter i en simulering viser ikke at en behandling vil hjelpe en pasient.

Utfordringene med databehandling handler om mer enn å finne mønstre

For et publikum interessert i kunstig intelligens er det interessante skillet mellom å oppdage en sammenheng og å lage en forklaring som tåler kritisk granskning. Et system kan lære at to målinger varierer sammen uten å vise om en endring i den ene ville forbedre den andre. Persontilpasset behandling krever langt mer enn en overbevisende forutsigelse.

Forslaget om metamodellering gjør derfor forholdet mellom evidens og antakelser særlig viktig. Hvis en delmodell er upålitelig, blir den ikke automatisk bedre av å kobles sammen med andre modeller. Et mer avansert system kan gi mer avanserte feil med mindre forskerne tester komponentene og de samlede forutsigelsene grundig.

Arbeidet gjenspeiler også den tverrfaglige karakteren til forskergruppen ved Hebrew University. Universitetets profil beskriver et team av nevroforskere, klinikere og informatikere som undersøker hvordan mennesker forholder seg til omgivelsene sine, med særlig vekt på Alzheimers sykdom. Dette perspektivet bidrar til å forklare hvorfor forslaget gir hverdagslige kognitive erfaringer en plass ved siden av biologiske målinger.

Hva dette kan bety for forskning og kliniske studier

Hvis den blir utviklet og validert med hell, kan en integrert modell hjelpe forskere med å identifisere pasienter der sykdommen drives av lignende kombinasjoner av prosesser. Det kan legge til rette for mer presis gruppering i kliniske studier og hjelpe forskere med å avgjøre hvilke mekanismer som bør målrettes mot hos hvilke deltakere.

Det kan også gjøre sykdomsutviklingen til et mer individuelt spørsmål. I stedet for bare å spørre hvordan en gjennomsnittspasient endrer seg, kan forskere undersøke hvordan symptomene, biomarkørene og risikofaktorene til en bestemt person utvikler seg i sammenheng. Ved å følge pasienter over tid får man mulighet til å sammenligne prognoser med det som faktisk skjer.

Universitetet beskriver en annen mulig anvendelse: å sammenligne simulerte sykdomsforløp med og uten et tiltak. Slike sammenligninger kan bidra til å prioritere forskningsspørsmål før kostbare studier. De må tolkes som modellbaserte estimater, der usikkerhet og forutsetninger kommer tydelig fram, ikke som bevis på at et tiltak virker.

En forskningsagenda med mye arbeid foran seg

Forfatternes forslag avhenger av større og mer mangfoldige datasett, gjentatt validering og samarbeid på tvers av Alzheimers-forskningsmiljøet. Disse kravene står sentralt i ideen. En detaljert pasientprofil er bare nyttig hvis informasjonen den bygger på, er pålitelig, og prognosene holder mål også for andre enn personene og datasettene som ble brukt til å utvikle den.

Det er også et praktisk spørsmål om hvilken nytte den økte kompleksiteten gir. Forskerne må vise at kombinasjonen av modeller forbedrer en viktig oppgave, som å forutsi sykdomsutvikling eller identifisere en meningsfull pasientundergruppe, nok til å forsvare det ekstra arbeidet med datainnsamling og modellering.

Det umiddelbare bidraget er et rammeverk for å knytte sammen forskning, ikke et klinisk produkt. Løftet ligger i at databehandling kan bidra til å forklare forskjellene mellom pasienter, i stedet for at variasjonen forblir uforklart av én enkelt diagnose. Om dette fører til bedre beslutninger, avhenger av dokumentasjonen som bygges opp rundt det.