Чи допоможе модель моделей розплутати складну картину хвороби Альцгеймера?

Двоє людей можуть отримати діагноз хвороби Альцгеймера, але мати разюче різні проблеми. Одна людина може передусім потерпати від порушень пам’яті, а інша — від труднощів із добиранням слів або орієнтуванням у знайомих місцях. Також можуть відрізнятися знімки їхнього мозку, генетичні особливості та інші проблеми зі здоров’ям. Для дослідників, які намагаються передбачити подальший перебіг хвороби, самого діагнозу недостатньо, щоб пояснити багато важливих моментів.

Огляд, підготовлений під керівництвом дослідників з Єврейського університету в Єрусалимі, пропонує обчислювальний підхід, що дає змогу краще зрозуміти ці відмінності. Замість пошуку однієї моделі, яка пояснювала б стан кожного пацієнта, команда окреслює підхід метамоделювання: поєднання спеціалізованих моделей різних аспектів хвороби для створення докладнішого індивідуального профілю.

Статтю Хвороба Альцгеймера в епоху обчислювальних методів: від детермінованої хвороби до багатогранного розладу опубліковано в журналі Brain 30 липня 2026 року. Серед її авторів — Meitar Benbaji, Barak Raveh, Lana Bassal, Uri Elias, Lidor Gazit, Gilles Allali, Gad A. Marshall і Shahar Arzy. Вони представляють Єврейський університет, Медичний центр «Хадасса», Університетську лікарню Лозанни та лікарні, пов’язані з Гарвардом.

Це пропозиція для майбутніх досліджень, а не перевірена діагностична система чи доведений метод лікування. Її значущість полягає в іншому запитанні: чи можуть обчислювальні методи перетворити численні розрізнені дані про хворобу Альцгеймера на пояснення й прогнози, корисні для конкретної людини?

Чому один діагностичний ярлик може приховувати важливі відмінності

В університетському повідомленні наголошується, що хвороба Альцгеймера може проявлятися різними поєднаннями когнітивних симптомів, змін у мозку, біологічних процесів, генетичних особливостей і чинників ризику. Порушення пам’яті — лише частина цієї картини. Також можуть постраждати орієнтація, мовлення, поведінка, обробка зорової інформації та виконавчі функції.

Біологічна картина також не обмежується амілоїдом і тау — двома білками, які найтісніше пов’язані з цією хворобою. Дослідники закликають поряд із ними враховувати запальні, судинні, метаболічні та інші процеси. Мета — зрозуміти, як ці чинники поєднуються в конкретної людини, а не припускати, що в усіх людей з однаковим діагнозом хвороба розвивається однаково.

У пресрелізі Arzy описує головне завдання як потребу зрозуміти особливе для кожного пацієнта поєднання біологічних і когнітивних змін. Докладніший профіль міг би об’єднати результати оцінювання когнітивних функцій і поведінки з даними візуалізації, біомаркерами, генетичними даними, молекулярними вимірюваннями та спостереженнями, зібраними впродовж певного часу.

Це складне завдання з інтеграції даних. Знімок мозку, показник генетичного ризику та записи про зміни повсякденних здібностей описують різні явища. Зібрати їх в одній базі даних — лише перший крок; складніше пояснити, як вони пов’язані між собою.

Як працюватиме модель моделей

Запропонована баєсівська рамка починається з часткових моделей, що описують окремі аспекти хвороби. Кожну з них перетворюють на ймовірнісну сурогатну модель — представлення зв’язків між відповідними вхідними даними, вихідними даними та параметрами. Потім рівень зв’язування поєднує ці представлення через спільні змінні, як-от стадія хвороби або швидкість її прогресування.

Якщо пояснити простіше, цей підхід дає змогу окремим моделям послуговуватися спільною математичною мовою. Модель візуалізації та когнітивна модель могли б надавати дані для спільного оцінювання стану пацієнта, зберігаючи водночас власну структуру. Серед запланованих результатів — індивідуальні траєкторії перебігу хвороби, підгрупи пацієнтів і порівняння прогнозованих результатів за наявності та відсутності втручання.

Стаття також передбачає можливість одночасно використовувати різні конкуруючі формулювання й оцінювати їх відповідно до наявних даних. Це важливо в галузі, де дослідники можуть не погоджуватися щодо того, які механізми мають найбільший вплив. Однак змодельовані ефекти втручання залишатимуться гіпотезами, які потребують перевірки: зміна параметра в симуляції не доводить, що лікування допоможе пацієнтові.

Обчислювальні завдання не обмежуються пошуком закономірностей

Для аудиторії, що цікавиться ШІ, важливо розрізняти виявлення взаємозв’язку та побудову пояснення, здатного витримати ретельну перевірку. Система може навчитися встановлювати, що два показники змінюються узгоджено, не з’ясовуючи, чи поліпшиться один із них у разі зміни іншого. Для персоналізованого лікування потрібне набагато більше, ніж переконливий прогноз.

Тому в пропозиції щодо метамоделювання особливо важливою є залежність між даними та припущеннями. Якщо компонентна модель ненадійна, її поєднання з іншими моделями не виправить її автоматично. Складніша система може давати складніші помилки, якщо дослідники ретельно не перевірятимуть її компоненти та сукупні прогнози.

Ця робота також відображає міждисциплінарний характер дослідницької групи Єврейського університету. В університетському профілі описано команду нейробіологів, клініцистів і фахівців з інформатики, які вивчають, як люди взаємодіють із довкіллям, зосереджуючись передусім на хворобі Альцгеймера. Цей підхід допомагає зрозуміти, чому в пропозиції повсякденний когнітивний досвід розглядається нарівні з біологічними вимірюваннями.

Що це може змінити в дослідженнях і клінічних випробуваннях

Якщо інтегровану модель вдасться успішно розробити й перевірити, вона може допомогти дослідникам виявляти пацієнтів, у яких хвороба зумовлена подібним поєднанням процесів. Це дасть змогу точніше формувати групи учасників клінічних випробувань і допоможе дослідникам вирішувати, на які механізми впливати в тих чи інших учасників.

Це також може дати змогу розглядати перебіг хвороби більш індивідуально. Замість того щоб з’ясовувати лише, як змінюється стан середньостатистичного пацієнта, дослідники могли б вивчати, як у конкретної людини з часом змінюються симптоми, біомаркери та фактори ризику і як вони взаємодіють. Спостереження за пацієнтами впродовж тривалого часу дало б змогу порівнювати прогнози з тим, що відбувається насправді.

Університет описує ще одне можливе застосування: порівняння змодельованих траєкторій перебігу хвороби за наявності втручання та без нього. Таке порівняння могло б допомогти визначити пріоритетні дослідницькі питання ще до проведення дорогих досліджень. Його слід було б розглядати як оцінки, отримані на основі моделі, із чітко зазначеними невизначеністю та припущеннями, а не як доказ ефективності втручання.

Попереду — значний обсяг дослідницької роботи

Пропозиція авторів залежить від наявності більших і різноманітніших наборів даних, повторної перевірки та співпраці в межах спільноти дослідників хвороби Альцгеймера. Ці вимоги є ключовими для цієї ідеї. Детальний профіль пацієнта корисний лише тоді, коли дані, на яких він ґрунтується, надійні, а прогнози справджуються не тільки для людей і наборів даних, використаних під час його створення.

Є також практичне питання: яку користь дає додаткова складність. Дослідникам потрібно буде довести, що поєднання моделей достатньо покращує виконання важливого завдання — наприклад, прогнозування перебігу хвороби або виявлення значущої підгрупи пацієнтів, — аби виправдати додаткові витрати на збирання даних і моделювання.

Безпосередній внесок цієї роботи — концептуальна основа для об’єднання досліджень, а не клінічний продукт. Її потенціал полягає в тому, що обчислювальні методи можуть допомогти пояснити відмінності між пацієнтами, які інакше залишаються нез’ясованими через одне діагностичне позначення. Чи приведе це до кращих рішень, залежатиме від доказової бази, сформованої навколо цієї ідеї.