Een met AI berekende ‘hersenleeftijd’ kan mogelijk helpen om het risico op dementie eerder in kaart te brengen dan met de visuele beoordeling van MRI-scans. Nederlands onderzoek laat zien dat het verschil tussen iemands werkelijke leeftijd en de leeftijd die de hersenen op een MRI-scan lijken te hebben, samenhangt met de kans om later dementie te ontwikkelen. Vooral bij mensen met subjectieve cognitieve achteruitgang blijkt deze methode aanvullende voorspellende waarde te hebben.
De resultaten van het onderzoek zijn gepubliceerd in Neurology. De onderzoekers analyseerden gegevens van patiënten uit het Amsterdam Dementia Cohort en het SCIENCe-project van Amsterdam UMC, verzameld tussen 2002 en 2024.
AI bepaalt hersenleeftijd
In geheugenklinieken beoordelen artsen MRI-scans onder meer met visuele scores voor hersenatrofie. Daarmee kunnen structurele veranderingen worden vastgesteld, maar subtiele afwijkingen in een vroeg stadium zijn niet altijd goed zichtbaar.
De onderzoekers wilden weten of AI gevoeliger kan zijn voor dergelijke veranderingen. Met de systemen brainageR en cNeuro werd op basis van structurele MRI-scans geschat hoe oud de hersenen van een patiënt eruitzagen. Vervolgens werd deze geschatte hersenleeftijd vergeleken met de chronologische leeftijd. Het verschil noemen de onderzoekers de brain-predicted age difference, kortweg brain-PAD.
Voor het onderzoek werden gegevens van 799 patiënten geanalyseerd. Daarvan hadden 412 mensen subjectieve cognitieve achteruitgang (SCD). Zij ervaren zelf geheugenproblemen, terwijl cognitieve tests nog geen afwijkingen aantonen. De overige 387 deelnemers hadden milde cognitieve stoornissen (MCI), waarbij al wel meetbare cognitieve achteruitgang aanwezig is.
Naast MRI-beelden beschikten de onderzoekers over cognitieve tests en traditionele visuele beoordelingen van de scans. Door de patiënten vervolgens over langere tijd te volgen, kon worden vastgesteld wie stabiel bleef en wie dementie ontwikkelde.
Ouder brein wijst op hoger risico
Een brein dat volgens AI ouder leek dan de daadwerkelijke leeftijd bleek samen te hangen met een verhoogd dementierisico. Voor ieder jaar dat de geschatte hersenleeftijd hoger lag, nam het relatieve risico op dementie met 6 procent toe. Ook nadat rekening was gehouden met de informatie uit conventionele visuele MRI-beoordelingen bleef brain-PAD zelfstandig voorspellende waarde houden. Per extra jaar verschil nam het relatieve risico dan met 4 procent toe.
De meerwaarde was het duidelijkst bij patiënten met SCD. Binnen deze groep hing ieder extra jaar hersenleeftijd samen met een 9 procent hoger relatief risico op progressie naar dementie. Juist bij deze patiënten zijn de cognitieve klachten nog niet objectief aantoonbaar en kunnen structurele veranderingen op MRI zeer subtiel zijn.
De onderzoekers vonden daarnaast een mogelijk relevante grenswaarde. Wanneer de hersenen van een patiënt met SCD volgens de AI minimaal 2,6 jaar jonger leken dan diens werkelijke leeftijd, bedroeg de kans om gedurende de daaropvolgende twee tot tien jaar dementievrij te blijven 91 tot 99 procent. Bij SCD voorspelde de geautomatiseerde hersenleeftijd de ziekteprogressie daarmee aanzienlijk beter dan de traditionele visuele beoordeling van hersenatrofie.
Minder meerwaarde bij MCI
Voor patiënten met MCI was het beeld anders. Bij hen leverde brain-PAD weinig aanvullende informatie op bovenop wat artsen al konden vaststellen met bestaande visuele MRI-scores. Een mogelijke verklaring ligt in het stadium van de cognitieve achteruitgang: bij MCI zijn afwijkingen al meetbaar en kunnen structurele veranderingen duidelijker aanwezig zijn.
De potentiële klinische waarde van de technologie lijkt daarmee vooral te liggen in een vroege fase, wanneer patiënten wel klachten ervaren maar bestaande onderzoeken nog weinig afwijkingen laten zien. Een betere risico-inschatting kan helpen om patiënten gerichter te volgen en te bepalen wie mogelijk in aanmerking komt voor aanvullende diagnostiek of deelname aan klinisch onderzoek.
Aanvulling op bestaande diagnostiek
De onderzoekers benadrukken dat aanvullende studies nodig zijn voordat brain-PAD als klinisch instrument kan worden ingezet. De technologie is bovendien niet bedoeld als zelfstandige methode om dementie vast te stellen. Het gaat om een risicomarker die informatie uit bestaande MRI-scans kan aanvullen.
Daarmee past de aanpak in een bredere ontwikkeling waarbij AI steeds meer kwantitatieve informatie uit medische beelden haalt die bij visuele beoordeling moeilijk waarneembaar is. In plaats van alleen vast te stellen hoeveel hersenatrofie zichtbaar is, vat brain-PAD complexe structurele kenmerken samen in een begrijpelijke maat: hoe oud lijken deze hersenen in vergelijking met de persoon zelf?
Wanneer vervolgonderzoek de resultaten bevestigt, kan die berekende hersenleeftijd vooral bij patiënten in een zeer vroeg stadium bijdragen aan een nauwkeurigere inschatting van hun risico op verdere cognitieve achteruitgang.
Oogscan
Vorig jaar ontwikkelden onderzoekers van de National University of Singapore een AI-biomarker die via een standaard netvliesfoto het risico op cognitieve achteruitgang en dementie kan voorspellen. RetiPhenoAge gebruikt deep learning om de biologische leeftijd van het netvlies te bepalen, die samenhangt met verouderingsprocessen in de hersenen. Bij onderzoek onder ruim 500 patiënten uit geheugenklinieken bleek dat mensen met een hogere retinale leeftijd tot 40 procent meer risico hadden op cognitieve achteruitgang binnen vijf jaar. Een externe validatie met ruim 33.000 deelnemers uit de UK Biobank bevestigde de voorspellende waarde over een periode van twaalf jaar.
Een belangrijk voordeel is dat RetiPhenoAge gebruikmaakt van oogscans die met bestaande apparatuur kunnen worden gemaakt. Daardoor kan de technologie mogelijk relatief eenvoudig worden geïntegreerd in gezondheidscontroles en eerstelijnszorg. De onderzoekers werken aan verdere internationale validatie en onderzoeken daarnaast of de biomarker geschikt is om het effect van leefstijlinterventies en medicamenteuze behandelingen te volgen.
Referenties
Neurology (onderzoek)
