Projektdaten

---

Pattern-Cog - Personalisierte Alterungsmuster für die frühzeitige Risikoerkennung und Prävention von kognitiven Einschränkungen und Demenz bei kognitiv unauffälligen Gesunden

---

Bei einem standardmäßigen Maschinen-Lern (ML)-Ansatz wird ein Vorhersagemodell anhand von Beispielen aus zwei oder mehr Klassen (gesunde Personen, die gesund bleiben, und gesunde Personen mit beginnendem kognitivem Abbau) gelernt. Stattdessen schlagen wir in diesem Projekt ein neues innovatives ML-Verfahren vor, das ein personalisiertes Alterungsmuster auf der Grundlage von Daten gesunder Personen trainiert. Anhand dieses Ansatzes erkennen wir automatisch Abweichungen vom personalisierten Alterungsmuster als spezifische Risikofaktoren für den Beginn eines kognitiven Verfalls und einer nachfolgenden Demenz. Das personalisierte Alterungsmuster basiert auf der Idee von „BrainAGE“, die von uns entwickelt wurde. Die BrainAGE-Methode sagt das Hirnalter einer Person durch Anwendung von ML-Techniken auf einen T1-gewichteten MRT-Gehirnscan voraus. Der Unterschied zwischen dem prognostizierten und dem chronologischen Alter weist auf eine erhöhte Atrophie und ein erhöhtes Demenzrisiko hin. Dieses Projekt wird dieses Konzept zu einer personalisierten Medizinlösung entwickeln und validieren, um (1) Personen mit einem Demenzrisiko vor dem Auftreten von leichten kognitiven Beeinträchtigungen (mild cognitive impairment - MCI) zu erkennen und gleichzeitig Daten aus Bildgebung, neuropsychologischen Tests, Blutbiomarkern, demografischen und lebensstilbezogenen Risikofaktoren zu integrieren und (2) Bewertung des Präventionspotenzials von Risikopersonen im Kontext von multidomänen Lebensstilinterventionen. Wir gehen davon aus, dass das personalisierte Alterungsmuster-Framework nicht nur für die Vorhersage von Normal-zu-MCI und die anschließende Demenzkonversion, sondern auch für die Nachverfolgung des Krankheitsverlaufs und der Auswirkungen präventiver Maßnahmen gegen Demenz von entscheidender Bedeutung sein wird.