Please enable JavaScript.
Coggle requires JavaScript to display documents.
APPLICAZIONI DEL MACHINE LEARNING AI DISTURBI PSICOTICI - Coggle Diagram
APPLICAZIONI DEL MACHINE LEARNING AI DISTURBI PSICOTICI
Pattern recognition
Applicazione chiave in psichiatria e psicologia
Diagnosi clinica basata sul racconto soggettivo del paziente
Analisi automatica del linguaggio
Combinazione di linguaggio + algoritmi ML
Predizione insorgenza psicosi
Studio su giovani ad alto rischio clinico
Interviste di screening semi-strutturate
Racconti dell’esperienza soggettiva
Follow-up ogni 3 mesi per 2,5 anni
Analisi dei dati linguistici
Grandi moli di dati testuali
Identificazione automatica dei soggetti che convertono in psicosi
Correlazione tra linguaggio e sintomi prodromici
Indicatori linguistici di alto rischio
Lunghezza massima delle frasi
Uso di parole specifiche
Ruolo clinico
Supporto alla valutazione del rischio
Non sostituisce il clinico
Migliora la precisione dell’osservazione
Modelli di Brain Age
Approccio computazionale basato su ML
Stima dell’età cerebrale
Risonanza magnetica strutturale e funzionale
Confronto con database di controlli sani
Forma e dimensioni cerebrali
Brain age gap
Differenza tra età cronologica ed età cerebrale stimata
Indicatore di invecchiamento accelerato
Applicazioni cliniche
Studio della maturazione cerebrale
Confronto tra:
Schizofrenia
Depressione maggiore
Disturbo borderline di personalità
Stati mentali a rischio di psicosi
Funzionamento del modello
L’algoritmo non conosce l’età biologica
Apprendimento basato su sviluppo cerebrale di controlli e pazienti
Quantificazione del gap in anni
Utilità
Confronto tra disturbi
Identificazione di alterazioni neuroevolutive
Medicina personalizzata
Obiettivo
Modelli individualizzati di diagnosi e trattamento
Identificazione precoce dei soggetti a rischio
Benefici
Diagnosi più precise
Trattamenti mirati
Riduzione degli effetti collaterali
Schizofrenia come modello
Disturbo in continuum
Fase pre-morbosa
Fase prodromica
Psicosi conclamata
Importanza dell’intervento precoce
Prevenzione della cronicizzazione
Studio sulla schizofrenia
Campione:
337 controlli sani
103 pazienti con schizofrenia
Domini analizzati
Funzioni cognitive
Fattori ambientali
Componenti genetiche
Complessità del rischio
Interazione tra più domini
Alterazioni già nel neurosviluppo
Età di esordio: 15–35 anni
Risultati principali
Fattori più influenti:
Cognitivi
Ambientali
Genetici
Funzioni cognitive più predittive
Flessibilità cognitiva
Set shifting
Velocità di processamento
Attenzione sostenuta
Attenzione selettiva
Validazione dei modelli
Validazione esterna
Specificità per la schizofrenia
Non generalizzabili ad altri disturbi
Limiti
Modelli più efficaci nel distinguere malati vs sani
Minore capacità di stratificazione clinica
Machine learning e management clinico
Applicazione alla salute mentale
Resilienza come outcome
Capacità di adattamento agli eventi stressanti
Forte impatto sulla qualità della vita
Algoritmi per la resilienza
Distinzione tra alta e bassa resilienza
Supporto agli interventi non farmacologici
Trattamenti personalizzati
Limiti e criticità
Problema della “black box”
Processi interni non completamente interpretabili
Rischio di cattivo utilizzo dei modelli
Necessità di ipotesi teoriche solide
Conclusioni
Machine learning come strumento avanzato
Diagnosi
Prognosi
Personalizzazione dei trattamenti
Integrazione con il giudizio clinico
Modelli esplicativi più aderenti alla complessità psicopatologica