Un Approccio Integrativo per la Sottoclassificazione dei Disturbi Mentali Utilizzando Dati Multimodali

L'articolo affronta la questione scientifica di come dati multimodali comprendenti misure cliniche, cognitive e neuroimaging possono essere integrati per identificare sottotipi biologicamente significativi di disturbi mentali. Viene introdotto MINDS (Mixed INtegrative Data Subtyping), un modello bayesiano gerarchico progettato per analizzare simultaneamente dati di tipo misto, con l'obiettivo di ridurre le dimensioni dei dati e procedere al clustering. L'approccio è applicato ai dati dello studio adolescent brain cognitive development (ABCD), integrando sintomi clinici, prestazioni cognitive e misure strutturali del cervello per sottotipizzare disturbo da deficit di attenzione e iperattività (ADHD) e disturbo ossessivo-compulsivo (OCD). Il metodo impiega l'augmentazione Pólya-Gamma per garantire efficienza computazionale e robustezza inferenziale. Simulationi evidenziano una maggiore stabilità e accuratezza rispetto ad altri metodi di clustering esistenti. L'applicazione ai dati ABCD ha permesso di identificare sottotipi clinicamente interpretabili di ADHD e OCD, caratterizzati da profili cognitivi e neuroevolutivi distinti. Questi risultati dimostrano il potenziale del modello integrativo multimodale nel migliorare la riproducibilità e la pertinenza clinica della sottoclassificazione psichiatrica, supportando politiche basate sui dati per l'identificazione precoce e interventi mirati in ambito di salute mentale.