{"id":14586,"date":"2026-04-30T10:50:12","date_gmt":"2026-04-30T10:50:12","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/mathijs-rosbergen\/"},"modified":"2026-04-30T11:42:00","modified_gmt":"2026-04-30T11:42:00","slug":"mathijs-rosbergen","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/mathijs-rosbergen\/","title":{"rendered":"Mathijs Rosbergen"},"content":{"rendered":"","protected":false},"excerpt":{"rendered":"","protected":false},"author":7,"featured_media":14587,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-14586","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","us_portfolio_category-new-template"],"acf":{"naam_van_het_proefschift":"Imaging the Future Brain","samenvatting":"Dementie is een complex syndroom dat wordt gekarakteriseerd door een progressieve cognitieve achteruitgang die het dagelijks leven van een individu be\u00efnvloedt. Door de vele mogelijke oorzaken en trajecten van de ziekte is voorspelling van dementie een uitdaging. Daarnaast wordt dementie vaak niet opgemerkt in de vroege stadia. Het aantal mensen met dementie neemt toe, met wereldwijd 57 miljoen mensen met dementie, waaronder 310.000 in Nederland.\n\nVroege identificatie van individuen met een hoog risico op dementie is cruciaal voor het verbeteren van behandelingen en het aangaan van preventieve strategie\u00ebn. Geavanceerde magnetische resonantiebeeldvorming (MRI) technieken en machine learning-methoden bieden veelbelovende handvatten voor het detecteren van vroege hersenveranderingen en het identificeren van nieuwe voorspellers voor dementie. Ondanks de ontwikkeling van dementievoorspellingsmodellen, is hun implementatie in de klinische praktijk beperkt. Het doel van dit proefschrift was daarom het onderzoeken van de rol van MRI in het identificeren van individuen met een hoog risico op dementie, het beoordelen van hoe neuro-beeldvorming de prestaties van dementievoorspellingsmodellen kan verbeteren, en het verkennen van strategie\u00ebn voor de implementatie van dergelijke modellen in de klinische praktijk.\n\nHet doel van Hoofdstuk 2 was het bestuderen van de rol van witte stof beeldvorming markers in het beoordelen en voorspellen van de hersengezondheid bij oudere volwassenen. Hoofdstuk 2.1 toont aan dat machine learning kan worden toegepast om verschillende witte stof patronen te ontrafelen met behulp van multimodale hersen-MRI. Patronen met een slechte hersenstructuur vertoonden een hogere prevalentie van cardiovasculaire risicofactoren, lacunes en microbloedingen. Daarnaast heb ik aangetoond dat deze patronen geassocieerd zijn met verschillende risico's voor dementie, beroerte en mortaliteit. Modellen met deze patronen presteerden ook beter dan modellen die slechts \u00e9\u00e9n beeldvorming marker voor dementie en mortaliteit gebruikten.\n\nIn Hoofdstuk 2.2 vergeleek ik de voorspellende waarde van meerdere diffusie-MRI markers van de hersenen voor cognitieve achteruitgang en het risico op dementie. Ik liet zien dat de peak-width skeletonized mean diffusivity (PSMD) en mean diffusivity (MD) een betere model fit en discriminerende waarde hadden voor het risico op dementie, vergeleken met andere diffusiematen. Voor cognitieve achteruitgang bleek PSMD de optimale voorspeller te zijn, wat aangeeft dat PSMD de voorkeur heeft als maat voor de structurele integriteit van witte stof bij de voorspelling van cognitieve achteruitgang en dementie.\n\nHoofdstuk 3 richt zich op grijze stof als indicator voor het risico op dementie. In Hoofdstuk 3.1 focuste ik op de grootte van verschillende subcorticale grijze stof structuren en hun associatie met het vijfjarige dementierisico. Deelnemers met subjectieve cognitieve achteruitgang of milde cognitieve stoornissen uit twee geheugenpoli cohorten en \u00e9\u00e9n populatie cohort werden in deze studie opgenomen. Ik toonde aan dat een kleinere hippocampus en amygdala consistent geassocieerd waren met een verhoogd risico op dementie bij mensen met subjectieve cognitieve achteruitgang of milde cognitieve stoornissen, onafhankelijk van andere subcorticale grijze stof structuren. Dit onderstreept het potentieel van deze structuren voor dementievoorspelling in de klinische praktijk.\n\nTerwijl Hoofdstuk 3.1 zich richt op subcorticale grijze stof, draait Hoofdstuk 3.2 om de dikte van specifieke corticale grijze stof regio's en de associatie met het risico op dementie. Deze nieuwe neuro-beeldvorming marker vertoonde sterke associaties met het risico op dementie in een eerdere studie en ik onderzocht deze associatie binnen het Erasmus Rijnmond Gezondheids Onderzoek (ERGO). Hoewel de beeldvorming marker werd geassocieerd met het risico op dementie, overtrof het niet het hippocampale volume voor het stratificeren van het dementierisico. Dit benadrukt het belang van replicatiestudies bij het vaststellen van robuuste biomarkers voor dementievoorspelling.\n\nHoofdstuk 4 belicht de perspectieven van het publiek ten aanzien van dementievoorspelling en de ontwikkeling van deze voorspellingsmodellen. In Hoofdstuk 4.1 combineerde ik kwalitatieve en kwantitatieve onderzoeksmethoden om de verschillende opvattingen over dementievoorspelling in de algemene bevolking te bepalen. Ik toonde aan dat er een aanzienlijke groep mensen is die hun dementierisico wil weten. Daarnaast bleek dat een familiegeschiedenis van dementie een van de belangrijkste factoren was voor het wel willen weten van hun dementierisico, terwijl angst en het ontbreken van effectieve interventies de belangrijkste redenen waren voor degenen die liever niet hun dementierisico wilden weten. Bovendien, hoewel er een grote vari\u00ebteit was in hoe individuen hun dementierisico waarnamen, gaven de meeste mensen aan dat ze hun risico relatief hoog inschatten.\n\nDeze inzichten vormden de basis voor de ontwikkeling van de dementievoorspellingsmodellen in Hoofdstuk 4.2. Dit onderzoek includeerde individuen ouder dan 60 jaar zonder dementie, die ofwel subjectieve geheugenklachten of een familiegeschiedenis van dementie hadden. Ik ontwikkelde twee voorspellingsmodellen: een basismodel met gemakkelijk toegankelijke voorspellers, geschikt voor eerstelijnszorg, en een uitgebreid model met geavanceerde voorspellers, waaronder neuropsychologische beoordeling, genetica en hersenbeeldvorming, ontworpen voor gebruik in een geheugenkliniek. Beide modellen behaalden een goede discriminatie voor de voorspelling van dementie op 5 jaar en 10 jaar, vergeleken met modellen die alleen op leeftijd waren gebaseerd. De kalibratie toonde een onderschatting van de absolute risico's. De toevoeging van cognitieve, genetische en beeldvormingsgegevens verbeterde de discriminatie niet substantieel, maar leidde wel tot een iets betere kalibratie binnen 5 jaar, in vergelijking met het basismodel. Bovendien kunnen deze geavanceerde voorspellers bijdragen aan het verder verfijnen van risicoschattingen binnen risicogroepen.\n\nTot slot, in Hoofdstuk 5, heb ik mijn belangrijkste bevindingen samengevat binnen een bredere context en belangrijke methodologische overwegingen besproken. Ik heb ook de implicaties van mijn bevindingen besproken en richtingen voor toekomstig onderzoek gepresenteerd om onze kennis over imaging markers voor dementievoorspelling verder te verbeteren. Daarnaast reflecteert dit hoofdstuk op hoe dementievoorspellingsmodellen succesvol kunnen worden ge\u00efmplementeerd in de klinische praktijk, en hoe ze bij zouden kunnen dragen aan de ontwikkeling van preventiestrategie\u00ebn en gerichte behandelingen voor dementie.","summary":"Dementia is a complex syndrome characterized by progressive cognitive decline that interferes with daily life. Its variety of causes and trajectories make early prediction challenging and it often goes undetected during early stages. Absolute numbers of dementia are growing, with 57 million individuals affected worldwide, including 310.000 in the Netherlands.\n\nEarly identification of individuals at high risk for dementia is crucial for improving treatment and engaging in preventive strategies. Advanced magnetic resonance imaging (MRI) techniques and machine learning methods offer promising tools for detecting early brain changes and identifying new predictors for dementia. Despite the development of dementia prediction models, their implementation in clinical practice has been limited. Therefore, the aim of this thesis was to investigate the role of MRI in identifying individuals at high risk of dementia, to assess how neuroimaging can enhance the performance of dementia prediction models, and to explore strategies for the implementation of such models in clinical practice.\n\nThe aim of Chapter 2 was to study the role of white matter imaging markers in assessing and predicting brain health in elderly adults. Chapter 2.1 shows that machine learning can be applied to unravel distinct white matter patterns using multimodal brain MRI. Patterns with poor brain structure showed to have a higher prevalence of cardiovascular risk factors, lacunes, and microbleeds. Additionally, I showed that these patterns are associated with different risks for dementia, stroke, and mortality. Models with these patterns also outperformed models with only a single imaging marker for dementia and mortality.\n\nIn Chapter 2.2, I compared predictive value of multiple diffusion MRI markers of the brain for cognitive decline and dementia risk. I showed that peak-width skeletonized mean diffusivity (PSMD) and mean diffusivity (MD) had a superior model fit and discriminatory value for dementia risk, compared to other measures. For cognitive decline, PSMD was the optimal predictor, indicating that PSMD is the preferred measure of structural white matter integrity in prediction of cognitive decline and dementia.\n\nChapter 3 dives into the realm of grey matter as indicator of dementia risk. In Chapter 3.1, I focused on the size of different subcortical grey matter structures and their association with 5-year dementia risk. Participants with subjective cognitive decline or mild cognitive impairment from two memory clinic-based cohorts and one population-based cohort were included in this study. I showed that smaller hippocampal volume and amygdalar volume were consistently associated with increased dementia risk in individuals with subjective cognitive decline or mild cognitive impairment, independent of other subcortical grey matter structures. This underscores the potential of these structures for dementia prediction in a clinical practice.\n\nWhile Chapter 3.1 focusses on subcortical grey matter, Chapter 3.2 revolves around the thickness of specific cortical grey matter regions and its association with dementia risk. This novel neuroimaging marker showed strong associations with dementia risk in a previous study and I assessed this association within the population-based Rotterdam Study. Although the imaging marker was associated with dementia risk, it did not outperform hippocampal volume for dementia risk stratification. This highlights the importance of replication studies in establishing robust biomarkers for dementia prediction.\n\nChapter 4 sheds light on the perspectives of the public towards dementia prediction and on the development of these prediction models. In Chapter 4.1, I combined qualitative and quantitative research methods to determine the different views on dementia prediction in the general population. I showed that there is a substantial group of individuals who have the desire of wanting to know their dementia risk. Additionally, I showed that a family history of dementia was one of the primary factors driving individuals\u2019 desire to know their dementia risk, while fear and the lack of effective interventions were the main reasons for those who preferred not to know their dementia risk. Furthermore, while there was a wide variety in how individuals perceive their dementia risk, most people tended to perceive their risk as relatively high.\n\nThese insights formed the foundation for the development of the dementia prediction models in Chapter 4.2. Therefore, this study included dementia-free individuals over 60 years of age, who had either subjective memory complaints or a family history of dementia. I developed two prediction models: a basic model with easily accessible predictors suitable for primary care settings, and an extended model incorporating advanced predictors, including neuropsychological assessment, genetics, and brain imaging, designed for use in a memory clinic setting. Both models achieved good discrimination for 5-year and 10-year dementia prediction, compared to age-only models. Calibration showed an underestimation of absolute risks. The incorporation of cognitive, genetic, and imaging data did not substantially improve discrimination overall, but did lead to somewhat better calibration within 5 years, compared to the basic model. Moreover, it may contribute in further refining risk estimation within high-risk groups.\n\nTo conclude, in Chapter 5, I summarized my key findings within a broader context and discussed important methodological considerations. I also discussed the implications of my findings and provided directions for future research to further improve our knowledge on imaging markers for dementia prediction. Additionally, this chapter reflects on how dementia prediction models can be successfully implemented in clinical practice, and how they may contribute to the development of prevention strategies and targeted treatment for dementia.","auteur":"Mathijs Rosbergen","auteur_slug":"mathijs-rosbergen","publicatiedatum":"9 juni 2026","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/mathijsrosbergen?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/6297c2b6-9b53-44e0-ac7f-7340985b28d9\/optimized","url_epub":"","ordernummer":"18715","isbn":"978-94-6534-356-3","doi_nummer":"","naam_universiteit":"Erasmus Universiteit Rotterdam","afbeeldingen":14588,"naam_student:":"","binnenwerk":"","universiteit":"Erasmus Universiteit Rotterdam","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/14586","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=14586"}],"version-history":[{"count":1,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/14586\/revisions"}],"predecessor-version":[{"id":14589,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/14586\/revisions\/14589"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/14587"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=14586"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=14586"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}