Ricerche

Un nuovo studio, eseguito da ricercatori della St George's University of London, ha identificato i punti di forza e le limitazioni dei compiti diversi usati per rilevare i primi segnali del morbo di Alzheimer (MA) attraverso l'analisi vocale e l'apprendimento automatico.

Pubblicato su Frontiers in Computer Science, lo studio dimostra che anche se l'apprendimento automatico può essere usato per valutare i segnali della malattia negli schemi di parlato, l'attività specifica assegnata alla persona testata ha un ruolo fondamentale nella precisione del test.

La ricerca precedente del gruppo aveva dimostrato che il MA colpisce il linguaggio molto presto nella malattia e, pertanto, per rilevarlo in una fase precoce si possono usare le valutazioni linguistiche. Prima è rilevato, prima si possono considerare gli interventi che aiutano il paziente.

Questo ultimo studio aggiunge altre prove, cercando di valutare le misure e le attività che possono essere usate per testare il MA. Registrando l'audio durante le attività svolte dai partecipanti, il team di ricerca ha poi impiegato un programma di apprendimento automatico, sviluppato alla St George's, per valutare i segni di malattia.

I compiti impiegati nello studio rappresentano una gamma di metodi usati negli scenari sanitari. Uno degli approcci più comuni utilizzati dai medici è chiedere ai pazienti di descrivere una scena nota come 'cookie theft' (furto di biscotti). Altri approcci includono chiedere al paziente di narrare una storia appresa, tipo le fiabe famose come Cenerentola, un compito complesso che chiede loro di integrare una serie di caratteri ed eventi in una linea del tempo che possono ricordare.

In questo studio, per rilevare i segni del MA attraverso l'analisi vocale, i ricercatori hanno usato le valutazioni di cui sopra, nonché il richiamo procedurale (raccontare come preparare una tazza di tè), rinarrare il racconto di un romanzo (descrivendo la storia da immagini presentate in un libro per bambini senza parole) e il parlato in una conversazione (dare istruzioni a un'altra persona, descrivere un percorso attraverso punti di riferimento su una mappa).

Dopo aver valutato i risultati di 50 partecipanti all'esperimento (25 con MA lieve o lieve deterioramento cognitivo e 25 controlli sani), il team ha scoperto che la narrazione di una storia ultra-nota, come quella di Cenerentola, ha dato i risultati più accurati.

Il sistema di apprendimento della macchina usato è stato in grado di identificare se un partecipante aveva il MA o il lieve detrioramento cognitivo con una precisione del 78%, e il compito 'cookie theft' più indietro con il 76%, risultati paragonabili agli altri test esistenti per la malattia. Le altre attività valutate hanno fornito accuratezze comprese tra il 62% (ri-narrazione del racconto di un romanzo) e il 74% (richiamo procedurale).

"I nostri risultati mostrano che alterando i compiti usati per valutare il MA, abbiamo il potenziale di rilevare la malattia con una maggiore precisione attraverso l'analisi vocale", afferma Natasha Clarke, prima autrice dello studio e dottoranda alla St George's.

Notando che sono necessari studi più grandi per migliorare ulteriormente la comprensione di queste valutazioni, la Clarke aggiunge:

"A lungo termine, speriamo che questa tecnologia possa essere usata da remoto, per esempio attraverso una app per smartphone, riducendo l'ansia attorno al test della malattia. Se possiamo rendere più facile il test, è sperabile che si possa identificare prima la malattia e iniziare a trattare prima la persona".

Dopo i risultati di questo studio, il team sta ora cercando di seguire i partecipanti allo studio per un anno ancora, per valutare i cambiamenti nel tempo e ottenere ulteriori informazioni sulla progressione della malattia.