Ihre Herzfrequenz und Ihr Blutfluss können vorhersagen, wie scharf Ihr Gehirn ist
Ein Machine-Learning-Modell, das 39 kardiovaskuläre und autonome Variablen verwendete, sagte die Ergebnisse kognitiver Tests bei gesunden Erwachsenen mit einer Genauigkeit von ~71 % vorher.
Zusammenfassung
Forscher trainierten ein Machine-Learning-Modell auf Basis von 39 physiologischen Messungen – darunter Herzfrequenz, Schlagvolumen, Herzminutenvolumen und Herzfrequenzvariabilität – um die kognitive Leistungsfähigkeit von 240 gesunden Erwachsenen vorherzusagen. Das Modell erreichte eine Genauigkeit von etwa 71 % bei der Klassifizierung, wer beim Trail Making Test – einem Standardmaß für Verarbeitungsgeschwindigkeit und exekutive Funktionen – besser oder schlechter abschnitt. Zu den wichtigsten Faktoren, die mit schlechterer Kognition assoziiert waren, zählten höheres Alter, erhöhte Ruheherzfrequenz und erhöhter Gefäßwiderstand. Bessere kognitive Leistungen wurden mit höherem Schlagvolumen, größerem Herzminutenvolumen und einer ausgeglicheneren Balance des autonomen Nervensystems in Verbindung gebracht. Bemerkenswert ist, dass viele dieser Variablen durch Sport und Lebensstiländerungen beeinflussbar sind, was darauf hindeutet, dass die Überwachung der kardiovaskulären Fitness eine praktische und wenig aufwendige Methode sein könnte, um die Gehirngesundheit langfristig zu beobachten.
Detaillierte Zusammenfassung
Kognitivem Abbau bei gesunden Menschen auf die Spur zu kommen, ist bekanntermaßen schwierig – Standardtests sind aufwendig, erfordern ein klinisches Umfeld und eignen sich nicht für häufige Anwendungen. Eine wachsende Zahl von Studien verknüpft kardiovaskuläre Fitness und die Funktion des autonomen Nervensystems mit der Gehirngesundheit, doch die Entflechtung dieser komplexen, mehrdimensionalen Zusammenhänge hat die klassische Statistik vor erhebliche Herausforderungen gestellt. Diese Studie untersuchte, ob maschinelles Lernen diese Lücke schließen kann.
Forschende der Kaohsiung Medical University rekrutierten 240 gesunde Erwachsene und erfassten 39 physiologische Variablen aus den Bereichen Herz-Kreislauf-Funktion, Herzleistungsparameter und Herzratenvariabilitätsindizes. Die Teilnehmenden absolvierten außerdem den Trail Making Test (TMT), ein weit verbreitetes kognitives Assessmentverfahren zur Messung von Verarbeitungsgeschwindigkeit und exekutiven Funktionen. Die TMT-Abschlusszeit wurde am Median geteilt, um Gruppen mit hoher und niedriger Leistung zu bilden, und mehrere Klassifikatoren des maschinellen Lernens wurden unter strikter Kreuzvalidierung getestet.
Ein Random-Forest-Modell mit zehn mittels rekursiver Merkmalseliminierung ausgewählten Merkmalen erzielte die besten Ergebnisse: eine Genauigkeit von 70,83 %, einen F1-Score von 71,38 % und einen AUC-Wert von 71,2 %. Eine SHAP-Analyse – ein Instrument zur Modellinterpretierbarkeit – zeigte, welche Variablen die Vorhersagen am stärksten beeinflussten. Höheres Lebensalter, erhöhte Ruheherzfrequenz und ein gesteigerter systemischer Gefäßwiderstand lenkten die Vorhersagen in Richtung langsamerer kognitiver Leistung. Umgekehrt sagten ein größeres Schlagvolumen, ein höheres Herzminutenvolumen und stärkere parasympathische Marker wie hochfrequente Herzratenvariabilität und respiratorische Sinusarrhythmie eine schnellere TMT-Abschlusszeit voraus.
Die klinischen Implikationen sind bedeutsam. Die meisten der wichtigsten prädiktiven Merkmale lassen sich durch aerobes Training, Stressreduktion und Lebensstiloptimierung direkt beeinflussen – und geben Kliniker:innen wie Einzelpersonen damit konkrete Ansatzpunkte. Die Autor:innen heben zudem das Potenzial von Wearables hervor, viele dieser Messwerte passiv zu erfassen, was den Weg für eine kontinuierliche, wenig belastende Überwachung der kognitiven Gesundheit ebnet.
Einschränkungen umfassen das Querschnittsdesign, das keine Kausalschlüsse erlaubt, die moderate Stichprobengröße sowie die binäre Ergebnisvariable, die an Differenziertheit verliert. Die Übertragbarkeit auf Bevölkerungsgruppen jenseits der taiwanesischen Studienpopulation ist noch nicht belegt, und die Modellgenauigkeit ist – wenngleich aussagekräftig – für sich allein noch nicht klinisch ausreichend.
Wichtigste Erkenntnisse
- A random forest model predicted cognitive test performance with ~71% accuracy using cardiovascular and autonomic variables.
- Higher resting heart rate and vascular resistance were linked to worse cognitive performance.
- Greater stroke volume, cardiac output, and heart rate variability predicted better cognitive scores.
- Most top predictive features are modifiable through aerobic exercise and lifestyle interventions.
- Wearable devices could potentially capture these metrics, enabling passive cognitive health monitoring.
Methodik
Querschnittsstudie mit 240 gesunden Erwachsenen; 39 physiologische Variablen wurden als Eingabemerkmale für mehrere Machine-Learning-Klassifikatoren verwendet, die unter stratifizierter 5-facher Kreuzvalidierung getestet wurden. Die Bearbeitungszeit des Trail Making Test wurde am Median dichotomisiert und diente als binäres Ergebnis; SHAP-Werte gewährleisteten die Interpretierbarkeit des Modells.
Studienlimitierungen
Die Zusammenfassung basiert ausschließlich auf dem Abstract, da das vollständige Paper nicht im Open Access verfügbar ist. Das Querschnittsdesign verhindert kausale Schlussfolgerungen, und die binäre Ergebnisvariable verringert die Sensitivität. Die bescheidene Stichprobengröße von 240 Erwachsenen schränkt die Generalisierbarkeit ein, und eine externe Validierung in unterschiedlichen Populationen ist erforderlich, bevor ein klinischer Einsatz erfolgen kann.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: