È stato pubblicato sulla prestigiosa rivista npj Parkinson’s Disease (Nature Publishing Group) il primo contributo italiano che combina intelligenza artificiale (AI) e linguaggio naturale per identificare i profili cognitivi della Malattia di Parkinson. Tutto questo prima della comparsa dei sintomi motori. Un importante traguardo nell’ambito della ricerca neurocognitiva che apre nuove prospettive nella diagnosi precoce di questa patologia.
Lo studio è il risultato di una collaborazione tra il centro di ricerca Ailice Labs (Artificial Intelligence Research Group) dello IUSS di Pavia, il Laboratorio di Neuropsicologia dell’IRCCS Maugeri Bari. Ma anche di partner internazionali come il Global Brain Health Institute (UCSF) e l’Universidad de San Andrés (Argentina), oltre alla società DeepTrace Technologies, spin-off IUSS. Il progetto mira a creare biomarcatori digitali del linguaggio che consentono di identificare precocemente dei fenotipi di Malattia di Parkinson.
Sono stati analizzati i campioni vocali raccolti da 40 pazienti presso IRCCS Maugeri Bari. Scelti tra soggetti con diagnosi di malattia di Parkinson e non. A questi è stato chiesto di compiere attività linguistiche. Come, per esempio, descrivere immagini complesse o parlare liberamente, poi registrate in file audio.
I ricercatori Maugeri e IUSS hanno elaborato questi dati con algoritmi AI avanzati. Estrapolando variabili linguistiche (linguistic features) utilizzate per addestrare un modello di machine learning in grado di distinguere i tratti caratteristici dei pazienti Parkinson da quelli di soggetti sani.
“Abbiamo dimostrato la fattibilità tecnica di analizzare il parlato in lingua italiana”, spiega Simona Aresta, prima autrice, ricercatrice bioingegnera all’IRCCS Maugeri di Bari e dottoranda IUSS presso The Hadron Academy. “È un primo passo verso strumenti clinici digitali, scalabili e applicabili anche a distanza”.
I risultati sono promettenti:
- 77% di accuratezza nel distinguere pazienti con Parkinson da soggetti sani;
- fino all’85% nella classificazione dei sottogruppi cognitivi;
- 75% di performance nel distinguere i due fenotipi cognitivi della malattia (PD-nMCI vs PD-MCI).
“Tra i marcatori più indicativi emersi dall’analisi, spicca la riduzione nell’uso dei verbi d’azione. Elementi linguistici, elaborati in aree cerebrali come il lobo frontale, spesso coinvolte nei primi stadi della malattia. Aree che sono particolarmente sensibili al deterioramento precoce. Inoltre, è stata rilevata una maggiore frequenza di riformulazioni del discorso e una ridotta produzione di parole appartenenti a classi aperte. Come nomi e verbi, suggerendo una difficoltà crescente nell’accesso lessicale”, dichiara la dottoressa Petronilla Battista, neuropsicologa e logopedista Responsabile del Laboratorio di Neuropsicologia all’IRCCS Maugeri Bari e corresponding author dello studio. “Il linguaggio è, dunque, una finestra preziosa sulle funzioni cognitive del cervello. I dati dimostrano che l’analisi automatica del parlato può diventare uno strumento affidabile”.
“È la prima volta che un approccio basato su AI e NLP multivariato viene applicato con successo per distinguere i profili cognitivi del Parkinson in lingua italiana”, spiega il Prof. Christian Salvatore, docente IUSS, direttore del centro Ailice Labs e CEO di DeepTrace Technologies. “Questo lavoro dimostra che l’AI può essere impiegata per costruire veri e propri biomarcatori digitali del linguaggio. Standardizzabili, con valore clinico concreto. La nostra pipeline è progettata per essere modulare, spiegabile, adattabile e integrabile nella pratica clinica. Per la diagnosi precoce e non invasiva, anche applicata ad altri contesti patologici”.
Questa metodologia è potenzialmente applicabile anche ad altre malattie neurologiche. E rappresenta uno strumento utile per monitorare l’efficacia delle terapie farmacologiche. L’intelligenza artificiale, in questo contesto, si configura come supporto allo specialista, il cui ruolo critico e valutativo resta centrale.
I prossimi obiettivi del gruppo di ricerca – Puntano a estendere lo studio a campioni clinici più ampi, in modo da consolidare l’affidabilità dei risultati. È in corso anche lo sviluppo di strumenti diagnostici digitali che siano explainable e cross-linguistici. Ovviamente, per renderli utilizzabili in contesti clinici internazionali e garantire la trasparenza interpretativa dei risultati. Un ulteriore passo sarà la validazione di questi strumenti in scenari reali di screening precoce e monitoraggio a distanza, con l’obiettivo di offrire supporto concreto alla diagnosi e al follow-up dei pazienti.