Uso di dispositivi indossabili per identificare i fattori associati al deterioramento cognitivo lieve e alla malattia di Alzheimer in fase iniziale

Il deterioramento cognitivo lieve (MCI) e la malattia di Alzheimer (AD) in fase iniziale rappresentano stadi critici lungo il continuum dei disturbi cognitivi neurodegenerativi. Comprendere queste condizioni è essenziale per consentire una diagnosi precoce, implementare strategie terapeutiche mirate e sviluppare piani di assistenza completi volti a migliorare la qualità della vita dei pazienti e dei caregiver e, quando possibile, ritardare la progressione neurodegenerativa.

Il carico globale della demenza sta aumentando rapidamente e rappresenta un'urgente sfida per la salute pubblica. Le proiezioni stimano che entro il 2050 circa 115 milioni di persone in tutto il mondo vivranno con demenza. Soltanto negli Stati Uniti, si prevede che la prevalenza del MCI supererà i 21 milioni di individui, con quasi 14 milioni di casi di malattia di Alzheimer entro il 2060. Queste cifre evidenziano la pressante necessità di progressi nella neuroscienza traslazionale, in particolare nelle strategie di diagnosi precoce e negli approcci preventivi e personalizzati all'assistenza.

In questo contesto, le tecnologie indossabili sono emerse come strumenti promettenti per il monitoraggio continuo e non invasivo dei parametri fisiologici e comportamentali in ambienti reali. Dispositivi come smartwatch e smart ring consentono la raccolta longitudinale di dati relativi alla variabilità della frequenza cardiaca, all'architettura del sonno, all'attività fisica e ai ritmi circadiani, fattori sempre più associati al declino cognitivo. Evidenze emergenti suggeriscono che i cambiamenti in questi parametri possano precedere o accompagnare il deterioramento cognitivo precoce. Quando integrati con metodi avanzati di intelligenza artificiale (IA), questi dati possono rivelare modelli sottili indicativi di processi neurodegenerativi precoci che precedono i sintomi clinici manifesti.

Combinare i dati derivati da dispositivi indossabili con la neuroimaging e l'elettroencefalografia (EEG) ha il potenziale di generare modelli diagnostici più robusti. Mentre i dispositivi indossabili catturano le dinamiche comportamentali e fisiologiche, la risonanza magnetica (MRI) fornisce informazioni dettagliate sulla struttura e funzione cerebrale, e l'EEG consente l'analisi delle oscillazioni neurali e dei modelli di connettività legati al deterioramento cognitivo precoce. L'integrazione di questi flussi di dati multimodali rappresenta una complessa sfida metodologica, che richiede framework computazionali avanzati in grado di gestire dataset eterogenei e ad alta dimensionalità.

I progressi nell'intelligenza artificiale e nel machine learning consentono l'integrazione di dati multimodali e l'identificazione di modelli complessi non rilevabili attraverso approcci analitici tradizionali. Strategie di fusione di dati multimodali che combinano caratteristiche fisiologiche e comportamentali derivate da dispositivi indossabili con variabili neuropsicologiche, di neuroimaging e derivate dall'EEG possono migliorare le prestazioni diagnostiche e supportare la stratificazione del rischio individualizzata.

Questo è uno studio osservazionale, analitico, monocentrico, di coorte prospettico progettato per integrare dati clinici e digitali multimodali per lo sviluppo e la validazione di modelli basati sull'IA mirati alla rilevazione precoce del MCI e della malattia di Alzheimer in fase iniziale. Lo studio è condotto presso l'Ospedale Universitario Getúlio Vargas (HUGV), un centro accademico di terziario e riferimento regionale per l'assistenza ad alta complessità, in collaborazione con il Centro per la Ricerca e lo Sviluppo in Tecnologia Elettronica e dell'Informazione (CETELI/UFAM), che fornisce competenze in sistemi intelligenti, infrastruttura dati e sviluppo di modelli di IA.

Approcci di machine learning e deep learning vengono applicati per identificare modelli associati al declino cognitivo, supportare la rilevazione precoce del MCI e dell'AD iniziale e consentire la stratificazione del rischio. Lo sviluppo e la validazione del modello danno priorità alla robustezza, all'interpretabilità e alla potenziale applicabilità clinica.

Questo studio mira a supportare lo sviluppo di strumenti scalabili, accessibili e non invasivi basati sull'IA per la rilevazione precoce del deterioramento cognitivo. Sfruttando il monitoraggio continuo tramite dispositivi indossabili e l'integrazione di dati multimodali, l'approccio proposto può contribuire a una diagnosi più precoce, a una migliore stratificazione del rischio e a strategie di intervento più tempestive per gli individui a rischio di malattia di Alzheimer.