Modello di apprendimento automatico multimodale che integra elettroencefalogramma, variabilità della frequenza cardiaca e misure cliniche per distinguere i principali disturbi psichiatrici.

Lo studio ha avuto come obiettivo sviluppare e valutare approcci di apprendimento automatico (machine learning, ML) multimodale per differenziare tre principali disturbi psichiatrici: disturbo bipolare (BD), disturbo depressivo maggiore (MDD) e schizofrenia (SZ). Questi disturbi sono spesso difficili da distinguere clinicamene data la sovrapposizione dei sintomi, pur avendo necessità di trattamento e gestione differenziata. Il metodo ha previsto l'analisi retrospettiva di una coorte di 1035 pazienti suddivisi in 406 BD, 522 MDD e 107 SZ. I dati multimodali includevano caratteristiche demografiche, scale cliniche, variabilità della frequenza cardiaca ed elettroencefalogrammi (EEG) ad alta dimensionalità a livello di sensore e di sorgente. Per la riduzione dimensionale delle caratteristiche EEG è stata applicata una procedura a due fasi combinante analisi della varianza ed eliminazione ricorsiva delle caratteristiche con validazione incrociata. I modelli ML unimodali sono stati confrontati con quello multimodale, basato sull'algoritmo CatBoost, che ha raggiunto un'area sotto la curva ROC (AUROC) di 0.776, risultando superiore. Tra le caratteristiche EEG rilevanti sono emersi connettività e coerenza in bande delta, alfa e gamma fra regioni frontali, centrali e occipitali. Il lavoro suggerisce che l'approccio multimodale può migliorare la distinzione fra SZ, BD e MDD, ma sottolinea la necessità di validazione esterna e prospettica prima dell'applicazione clinica.