Stratificazione del rischio di salute mentale utilizzando la variabilità della frequenza cardiaca e l'elettroencefalografia prefrontale: classificatore basato su eXtreme gradient boosting e sottotipizzazione basata sull'analisi delle classi latenti.

Questo studio si propone di identificare i principali classificatori derivati dalla variabilità della frequenza cardiaca (HRV) e dall'elettroencefalografia (EEG) prefrontale per distinguere soggetti sani (HC) da pazienti con disturbi psichiatrici (PT), nonché di individuare sottotipi di queste caratteristiche. Sono stati acquisiti simultaneamente per cinque minuti dati di fotopletismografia al lobo auricolare e segnali EEG prefrontali a riposo in 147 HC e 123 PT, tra cui 107 con disturbo depressivo maggiore e 16 con disturbo di panico. È stato costruito un modello grafico misto (MGM) con 9 caratteristiche HRV, 11 EEG prefrontali, sintomi depressivi, ansia e diagnosi psichiatrica certificata. Le 12% delle caratteristiche più centrali sono state utilizzate per creare un classificatore XGBoost e per un'analisi delle classi latenti (LPA), includendo due metriche HRV (potenza totale, potenza assoluta nella banda a bassa frequenza), quattro metriche EEG (poteri relativi in theta, low-alpha, low-beta, middle-beta) e ansia. Il modello XGBoost ha raggiunto un'accuratezza del 74.9 ± 5.6%, evidenziando che livelli minori di ansia e middle-beta EEG erano associati a HC, mentre una bassa potenza LF indicava maggior probabilità di PT. L'analisi LPA ha distinto tre sottogruppi PT: (1) iperarousal con grave depressione e ansia moderata, (2) stabile con sintomi minimi e alterazioni EEG assenti ma HRV ridotta, (3) rallentamento EEG frontale con depressione e ansia lievi-moderate e significativa riduzione HRV. Lo studio sottolinea la necessità di ulteriori ricerche su popolazioni diverse per validare questi indicatori di rischio attraverso metodi combinati di rete, apprendimento automatico e sottotipizzazione.