Liệu mô hình của các mô hình có thể giúp làm sáng tỏ bệnh Alzheimer?

Hai người có thể cùng được chẩn đoán mắc bệnh Alzheimer nhưng vẫn gặp những vấn đề khác biệt rõ rệt. Một người có thể chủ yếu gặp khó khăn về trí nhớ, trong khi người kia khó tìm từ ngữ hoặc định hướng ở những nơi quen thuộc. Kết quả chụp não, nền tảng di truyền và các bệnh lý khác của họ cũng có thể khác nhau. Với các nhà nghiên cứu đang tìm cách dự đoán diễn biến tiếp theo, chỉ riêng chẩn đoán vẫn chưa giải thích được nhiều điều.

Một bài tổng quan do các nhà nghiên cứu tại Hebrew University of Jerusalem chủ trì đề xuất một cách tiếp cận tính toán nhằm làm rõ những khác biệt đó. Thay vì tìm kiếm một mô hình có thể giải thích mọi bệnh nhân, nhóm nghiên cứu phác thảo phương pháp mô hình hóa siêu mô hình: kết nối các mô hình chuyên biệt về những khía cạnh khác nhau của bệnh để xây dựng hồ sơ cá nhân chi tiết hơn.

Bài báo Bệnh Alzheimer trong kỷ nguyên tính toán: từ một căn bệnh tất định đến một rối loạn đa diện được đăng trên Brain ngày 30 tháng 7 năm 2026. Các tác giả gồm Meitar Benbaji, Barak Raveh, Lana Bassal, Uri Elias, Lidor Gazit, Gilles Allali, Gad A. Marshall và Shahar Arzy; họ công tác tại Hebrew University, Hadassah Medical Center, Lausanne University Hospital và các bệnh viện liên kết với Harvard.

Đây là một đề xuất dành cho nghiên cứu trong tương lai, không phải hệ thống chẩn đoán đã được kiểm chứng hay phương pháp điều trị đã được chứng minh. Ý nghĩa của đề xuất nằm ở một câu hỏi khác: liệu các phương pháp tính toán có thể biến những phát hiện rời rạc về bệnh Alzheimer thành lời giải thích và dự đoán hữu ích cho từng người hay không?

Vì sao một nhãn chẩn đoán duy nhất có thể che khuất những khác biệt quan trọng

Thông báo của trường đại học nhấn mạnh rằng bệnh Alzheimer có thể biểu hiện qua những tổ hợp khác nhau giữa triệu chứng nhận thức, biến đổi não bộ, quá trình sinh học, yếu tố di truyền và các yếu tố nguy cơ. Suy giảm trí nhớ chỉ là một phần trong bức tranh đó. Khả năng định hướng, ngôn ngữ, hành vi, xử lý thị giác và chức năng điều hành cũng có thể bị ảnh hưởng.

Bức tranh sinh học cũng vượt ra ngoài amyloid và tau, hai loại protein gắn liền với căn bệnh này nhất. Các nhà nghiên cứu cho rằng cần xem xét cả những quá trình viêm, mạch máu, chuyển hóa và các quá trình khác bên cạnh chúng. Mục tiêu là tìm hiểu cách những yếu tố này kết hợp ở từng cá nhân, thay vì giả định rằng mọi người cùng được chẩn đoán đều trải qua diễn tiến giống hệt nhau.

Trong thông cáo báo chí, Arzy mô tả thách thức cốt lõi là tìm hiểu tổ hợp riêng của mỗi bệnh nhân giữa những biến đổi sinh học và nhận thức. Một hồ sơ phong phú hơn có thể kết hợp các đánh giá về nhận thức và hành vi với hình ảnh học, dấu ấn sinh học, di truyền, các phép đo phân tử và những quan sát được thu thập theo thời gian.

Đây là một bài toán tích hợp đầy thách thức. Hình ảnh não, chỉ số nguy cơ di truyền và hồ sơ về những thay đổi trong khả năng sinh hoạt hằng ngày đều mô tả những khía cạnh khác nhau. Tập hợp chúng vào một cơ sở dữ liệu sẽ là bước khởi đầu; giải thích mối liên hệ giữa chúng mới là nhiệm vụ khó hơn.

Mô hình của các mô hình sẽ vận hành như thế nào

Khung Bayes được đề xuất bắt đầu bằng các mô hình từng phần, mỗi mô hình giải quyết một số khía cạnh nhất định của căn bệnh. Mỗi mô hình được chuyển thành một mô hình thay thế xác suất: cách biểu diễn mối quan hệ giữa các đầu vào, đầu ra và tham số liên quan. Sau đó, một lớp kết nối liên kết các cách biểu diễn này thông qua những biến chung, chẳng hạn như giai đoạn bệnh hoặc tốc độ tiến triển.

Nói một cách dễ hiểu, phương pháp này cung cấp cho các mô hình vốn tách biệt một ngôn ngữ toán học chung. Mô hình hình ảnh học và mô hình nhận thức có thể cùng đóng góp bằng chứng để ước tính trạng thái của bệnh nhân, đồng thời vẫn giữ nguyên cấu trúc riêng. Các đầu ra dự kiến gồm diễn tiến của từng cá nhân, các phân nhóm bệnh nhân và việc so sánh kết quả dự đoán khi có hoặc không có can thiệp.

Bài báo cũng cho phép các mô hình hóa cạnh tranh cùng tồn tại và được cân nhắc dựa trên bằng chứng. Điều này có giá trị trong một lĩnh vực mà các nhà nghiên cứu có thể bất đồng về những cơ chế có ảnh hưởng lớn nhất. Tuy nhiên, tác động của các biện pháp can thiệp trong mô hình vẫn chỉ là giả thuyết cần được kiểm nghiệm; thay đổi một tham số trong mô phỏng không chứng minh rằng phương pháp điều trị sẽ giúp ích cho bệnh nhân.

Thách thức tính toán không chỉ dừng ở việc tìm ra các mẫu

Đối với những người quan tâm đến AI, điểm khác biệt đáng chú ý là giữa việc phát hiện mối tương quan và xây dựng lời giải thích có thể đứng vững trước sự xem xét kỹ lưỡng. Một hệ thống có thể học được rằng hai phép đo biến đổi cùng chiều mà không cho thấy liệu thay đổi phép đo này có cải thiện phép đo kia hay không. Điều trị cá nhân hóa đòi hỏi nhiều hơn hẳn một dự đoán có vẻ thuyết phục.

Vì vậy, đề xuất mô hình hóa siêu mô hình đặc biệt nhấn mạnh tầm quan trọng của mối quan hệ giữa bằng chứng và các giả định. Nếu một mô hình thành phần thiếu độ tin cậy, kết hợp nó với các mô hình khác không tự động khắc phục được vấn đề. Một hệ thống phức tạp hơn có thể tạo ra sai sót phức tạp hơn, trừ khi các nhà nghiên cứu kiểm nghiệm cẩn thận cả những thành phần riêng lẻ lẫn các dự đoán tổng hợp.

Công trình này cũng phản ánh tính liên ngành của nhóm nghiên cứu Hebrew University. Hồ sơ của trường đại học mô tả một nhóm gồm các nhà thần kinh học, bác sĩ lâm sàng và nhà khoa học máy tính, nghiên cứu mối quan hệ giữa con người với môi trường xung quanh, đặc biệt tập trung vào bệnh Alzheimer. Góc nhìn đó giúp lý giải vì sao đề xuất này xem trải nghiệm nhận thức trong đời sống hằng ngày là một khía cạnh quan trọng bên cạnh các phép đo sinh học.

Những thay đổi tiềm năng đối với nghiên cứu và thử nghiệm lâm sàng

Nếu được phát triển và kiểm chứng thành công, mô hình tích hợp có thể giúp các nhà nghiên cứu xác định những bệnh nhân có bệnh tiến triển do các tổ hợp quá trình tương tự chi phối. Điều đó có thể hỗ trợ phân nhóm chính xác hơn trong các thử nghiệm lâm sàng và giúp các nhà nghiên cứu quyết định nên nhắm đến cơ chế nào ở những người tham gia nào.

Mô hình cũng có thể giúp xem xét diễn tiến bệnh ở từng cá nhân. Thay vì chỉ đặt câu hỏi một bệnh nhân trung bình thay đổi ra sao, các nhà nghiên cứu có thể tìm hiểu cách các triệu chứng, dấu ấn sinh học và yếu tố nguy cơ của một người cụ thể thay đổi cùng nhau. Việc theo dõi bệnh nhân theo thời gian sẽ tạo cơ hội so sánh các dự báo với những gì thực sự xảy ra.

Trường đại học đề cập đến một ứng dụng tiềm năng khác: so sánh diễn tiến được mô phỏng khi có và không có can thiệp. Những so sánh như vậy có thể giúp xác định thứ tự ưu tiên cho các câu hỏi nghiên cứu trước khi tiến hành những nghiên cứu tốn kém. Cần diễn giải chúng là các ước tính dựa trên mô hình, đồng thời nêu rõ mức độ bất định và các giả định, chứ không xem chúng là bằng chứng cho thấy một biện pháp can thiệp có hiệu quả.

Chương trình nghiên cứu còn nhiều việc cần làm

Đề xuất của các tác giả phụ thuộc vào việc có những bộ dữ liệu lớn hơn, đa dạng hơn, được kiểm chứng nhiều lần và có sự hợp tác trong cộng đồng nghiên cứu bệnh Alzheimer. Những yêu cầu này là trọng tâm của ý tưởng. Hồ sơ chi tiết về bệnh nhân chỉ hữu ích khi thông tin làm cơ sở cho hồ sơ đó đáng tin cậy và các dự đoán vẫn chính xác với những người cũng như bộ dữ liệu không được dùng để xây dựng mô hình.

Một câu hỏi thực tiễn khác là việc tăng độ phức tạp đem lại lợi ích gì. Các nhà nghiên cứu cần chứng minh rằng việc kết hợp các mô hình cải thiện được một nhiệm vụ quan trọng—chẳng hạn như dự báo diễn tiến bệnh hoặc xác định một nhóm bệnh nhân có ý nghĩa—ở mức đủ để xứng đáng với công sức thu thập thêm dữ liệu và xây dựng mô hình.

Đóng góp trước mắt là một khuôn khổ kết nối các hoạt động nghiên cứu, chứ không phải một sản phẩm lâm sàng. Điểm hứa hẹn của khuôn khổ này là những khác biệt giữa các bệnh nhân có thể trở thành điều mà các phương pháp tính toán giúp lý giải, thay vì vẫn chưa được giải thích bởi một nhãn chẩn đoán duy nhất. Liệu điều đó có dẫn đến những quyết định tốt hơn hay không sẽ phụ thuộc vào bằng chứng được xây dựng xung quanh khuôn khổ này.