Decodifica della disfunzione del circuito motorio dei gangli della base dalla scrittura: un framework di intelligenza artificiale informato dalla fisica per lo screening del Parkinson

Questo studio rappresenta un avanzamento significativo nell'interpretazione dei segnali neurali attraverso output motori periferici, affrontando una lacuna importante nella diagnostica del Parkinson. Il framework proposto si basa su una premessa neuroscientifica solida: la scrittura è un segnale comportamentale che riflette l'integrità del circuito cortico-gangli della base-talamo-corticale, essenziale per il controllo motorio. Nel Parkinson, la perdita di neuroni dopaminergici compromette questo circuito causando tremori oscillatori, micrografia e irregolarità nel movimento. La metodologia è particolarmente innovativa per l'integrazione di modelli fisici basati sulla perturbazione dell'oscillatore armonico con tecniche di machine learning interpretabile. Le sei misure energetiche estratte—variazione di intensità, gradienti spaziali, stabilità multi-scala, variabilità della deviazione, anisotropia direzionale e interazioni cross-scale—hanno fondamenti teorici nella modulazione di ampiezza e nell'instabilità oscillatoria, permettendo una mappatura trasparente tra modelli computazionali e processi neurofisiologici. Il campione di 594 prove di scrittura è stato valutato rigorosamente mediante cross-validazione ripetuta 10-fold, garantendo robustezza statistica. I risultati numerici sono notevoli: l'accuracy dell'84,06% e la sensibilità del 93,56% con Support Vector Machines suggeriscono alta capacità discriminativa. Le dimensioni degli effetti (Cohen's d=0,87-1,51) e il valore p estremamente significativo (p<10⁻³³) indicano differenze robuste tra pazienti e controlli. Rispetto alla letteratura esistente, questo approccio supera la necessità di costose registrazioni elettrofisiologiche dirette, trasformando la scrittura in biomarcatore comportamentale accessibile. L'integrazione di modellizzazione fisica e machine learning interpretabile apre nuove prospettive per la decodifica della disfunzione cerebrale, potenzialmente applicabile a altri disordini del movimento e neurodegenerativi.