Analisi del segnale posturografico nella malattia di parkinson: identificazione di pattern multi-dominio in pazienti con e senza mild cognitive impairment

Il morbo di Parkinson (Parkinson’s Disease, PD) è una patologia neurodegenerativa caratterizzata da sintomi motori e non motori, tra cui il deterioramento cognitivo lieve (Mild Cognitive Impairment, MCI). La diagnosi precoce del MCI consente di individuare i pazienti a maggior rischio di demenza e di adottare strategie mirate per preservarne la qualità di vita. L’obiettivo di questo lavoro è identificare indici posturografici multi-dominio capaci di distinguere i pazienti PD con e senza MCI. Lo studio ha coinvolto 96 soggetti, di cui 48 sani e 48 con diagnosi di PD, sottoposti a esami stabilometrici presso il Laboratorio di Analisi del Movimento dell’A.O.U. San Giovanni di Dio e Ruggi d’Aragona di Salerno (Italia). A partire dai segnali posturografici registrati, sono stati estratti numerosi indici nei domini del tempo, della frequenza e tempo-frequenza, successivamente utilizzati per condurre analisi statistiche e di Machine Learning (ML), finalizzate all’identificazione di biomarcatori sensibili del MCI nei pazienti PD. Il ML ha rivelato un elevato potenziale discriminativo. Sono stati raggiunti valori di accuratezza superiori all’80% con un buon equilibrio tra sensibilità e specificità. Dalle analisi è emerso che le variabili più informative non riguardano principalmente l’ampiezza delle oscillazioni, bensì la dinamica dei micro-aggiustamenti che le caratterizzano. I PD con MCI hanno mostrato oscillazioni rapide e meno fluide nel piano AP, con correzioni irregolari e imprevedibili. Nel piano ML emerge, invece, l’adozione di strategie di controllo più rigide e conservative, probabilmente finalizzate a ridurre il rischio di caduta. In conclusione, l’integrazione di indici posturografici e algoritmi di Machine Learning rappresenta un approccio promettente per l’identificazione precoce e oggettiva del deficit cognitivo nei pazienti con morbo di Parkinson.