Valutazione multiparametrica del dominio motorio nella diagnosi differenziale dei disturbi funzionali e organici: un approccio basato su test statistici e algoritmi di classificazione

I Disturbi Motori Funzionali (FMD) sono una condizione clinica caratterizzata da sintomi motori, come tremori, distonie e alterazioni del cammino, non associati a lesioni strutturali del sistema nervoso, ma a disfunzioni dei network cerebrali. Al contrario, i Disturbi Motori Organici (OMD) derivano da danni neurologici identificabili, come nelle patologie neurodegenerative. La diagnosi differenziale tra queste due condizioni risulta complessa a causa della sovrapposizione dei quadri clinici. Il presente studio si propone di individuare biomarcatori quantitativi attraverso una valutazione multiparametrica, al fine di supportare il processo diagnostico con strumenti oggettivi e superare i limiti della valutazione puramente osservazionale. Il campione analizzato comprende 405 soggetti: 153 con FMD, 99 con OMD e 153 controlli sani, sottoposti a una caratterizzazione multidimensionale basata su dati clinico-demografici, psicometrici, neurofisiologici, posturografici e di gait analysis. L’analisi statistica è stata condotta mediante test non parametrici, scelti per la loro robustezza in presenza di distribuzioni non normali. In particolare, per le variabili con più condizioni sperimentali è stata utilizzata l’ANOVA per misure ripetute, mentre per le altre il test di Kruskal-Wallis, con relativi test post-hoc per l’identificazione delle differenze specifiche. I parametri estratti sono stati poi impiegati per addestrare modelli di Machine Learning supervisionato, validati tramite Repeated Stratified Nested Cross-Validation. L’applicazione di tecniche di Explainable AI, basate su SHAP e Permutation Feature Importance, ha consentito di interpretare i modelli e identificare i biomarcatori più rilevanti. I risultati evidenziano differenze significative tra i gruppi: in particolare, il passaggio da single task a dual task determina risposte biomeccaniche divergenti tra FMD e OMD. Inoltre, i modelli di classificazione hanno raggiunto elevate performance predittive, dimostrando l’efficacia dell’approccio multiparametrico. In conclusione, il presente lavoro apre nuove prospettive per l’applicazione dell’intelligenza artificiale nella pratica clinica neurologica: l’integrazione tra analisi statistica e Machine Learning rappresenta un valido supporto alla diagnosi differenziale, migliorando l’accuratezza diagnostica e favorendo una maggiore comprensione dei meccanismi fisiopatologici, con potenziali implicazioni per lo sviluppo di strategie terapeutiche personalizzate.