Analisi spettroscopica ATR-FTIR e apprendimento automatico a due stadi per la differenziazione tra disturbo bipolare e disturbo depressivo maggiore

Lo studio mira a sviluppare un modello diagnostico gerarchico a due stadi basato sull'apprendimento automatico integrato con la spettroscopia ATR-FTIR per distinguere tra pazienti affetti da disturbo bipolare (BD), disturbo depressivo maggiore (MDD) e soggetti sani, e per differenziare i due disturbi psichiatrici tra loro. Sono stati inclusi 102 individui bilanciati per età e sesso, suddivisi in gruppi da trentaquattro per BD, MDD e controllo sano. Nel primo stadio, tramite l'algoritmo Random Forest, si è ottenuta una accuratezza dell'87,2% nel distinguere i casi psichiatrici dai sani, con lunghezze d'onda spettrali critiche individuate a 3006 cm⁻¹ e 1090 cm⁻¹. Nel secondo stadio, applicando un modello Support Vector Machine a base radiale (RBF-SVM) esclusivamente sui pazienti, il valore di Kappa raggiunto è stato 0,506 con un'accuratezza in validazione incrociata del 75,1%. Le bande spettrali più rilevanti per questa distinzione sono state 1148 cm⁻¹ e 1541 cm⁻¹. Ulteriori analisi di regressione hanno evidenziato una correlazione significativa tra i punteggi del Beck Depression Inventory e gli spettri FTIR nel gruppo depressivo, mentre non è stata riscontrata relazione con la Young Mania Rating Scale nel gruppo bipolare. Questi risultati suggeriscono che la severità sintomatica in MDD induce variazioni biochimiche dipendenti dallo stato, mentre il profilo spettrale in BD riflette caratteristiche più stabili di tratto. Lo studio indica che l'integrazione di ATR-FTIR e machine learning rappresenta un approccio innovativo e potente per la diagnosi e la valutazione oggettiva della gravità sintomatica nei disturbi psichiatrici. I limiti non sono stati esplicitati nell'abstract.