Oltre un miliardo di persone nel mondo convive oggi con un disturbo mentale. La depressione e l’ansia rappresentano le patologie più diffuse e invalidanti, con un impatto profondo sulla qualità della vita quotidiana, sul lavoro e sulle relazioni personali. Per far fronte a questa grande sfida della sanità pubblica, identificare tempestivamente le problematiche e individuare un percorso di cura efficace è divenuto un obiettivo fondamentale.

Oggi la scienza sta compiendo passi da gigante grazie all’incontro tra medicina, ingegneria e informatica. Sandra Klonteig, ricercatrice presso l’istituto di ricerca SINTEF, sostiene che le nuove tecnologie applicate allo studio del cervello possano trasformare radicalmente la prevenzione e la cura di queste patologie. Il cervello umano è uno straordinario centro di controllo, ma rimane vulnerabile a trazioni, traumi e alterazioni biologiche. Quando queste alterazioni si verificano, possono insorgere condizioni molto diverse tra loro, dalla paralisi motoria alle demenze, fino ai disturbi dell’umore e dell’ansia.

Il ruolo della neurotecnologia nella salute mentale

La neurotecnologia comprende un insieme di strumenti e metodi creati per misurare, analizzare e persino regolare l’attività cerebrale. L’idea di connettere il cervello a strumenti digitali evoca spesso immagini tratte dalla fantascienza, come le interfacce mostrate in celebri pellicole cinematografiche. Tuttavia, gran parte di questi concetti sta diventando una concreta realtà medica.

Attraverso l’uso di sensori avanzati, è oggi possibile monitorare ciò che accade all’interno della scatola cranica senza ricorrere a interventi chirurgici invasivi. Gli studiosi stanno sviluppando metodi in grado di cogliere cambiamenti biologici minimi nella struttura o nel funzionamento del cervello molto prima che il paziente avverta un sintomo evidente o che un medico possa rilevarlo visivamente.

Lo scenario futuro della diagnosi precoce

Immaginiamo una visita medica del futuro. Una persona si rivolge allo specialista avvertendo uno stato di malessere generale o di forte stress. Attraverso una serie di esami neurotecnologici non invasivi, lo specialista analizza i pattern dell’attività cerebrale e individua immediatamente la terapia con la maggiore probabilità di successo per quel tipo specifico di profilo biologico.

Dopo qualche settimana di trattamento, il paziente torna per un controllo. Anche se soggettivamente non avverte ancora un netto miglioramento, gli strumenti tecnologici riescono a mostrare che i circuiti cerebrali stanno già rispondendo positivamente alla cura. Sapere che il cervello si sta riorganizzando offre una rassicurazione fondamentale e riduce l’incertezza. Al contrario, se i sensori mostrano l’assenza di risposte biologiche, il medico può cambiare immediatamente approccio, evitando al paziente lunghi mesi di tentativi inefficaci e inutile sofferenza.

Misurare i meccanismi del cervello

Per rendere quotidiano questo tipo di medicina di precisione, la ricerca deve prima comprendere a fondo i meccanismi neurobiologici che causano i disturbi mentali. Tra i fenomeni attualmente analizzati vi è il bias attentivo, ovvero la naturale inclinazione di alcune persone a focalizzare la propria attenzione sugli stimoli negativi o minacciosi dell’ambiente circostante.

Se una persona tende sistematicamente a percepire pericolo e negatività in situazioni neutre, come un’ombra durante una passeggiata, con il passare del tempo questa modalità interpretativa può rafforzare una spirale psicologica negativa, aumentando il rischio di sviluppare depressione o stati ansiosi gravi. Attraverso dispositivi di tracciamento oculare, i ricercatori riescono a misurare esattamente dove si posa lo sguardo di un individuo e quanto a lungo si sofferma su immagini o parole a contenuto negativo.

Un altro ambito centrale riguarda lo studio delle reti funzionali cerebrali, ossia le modalità con cui differenti aree del cervello comunicano tra loro. Nelle persone affette da depressione o ansia, queste reti di comunicazione mostrano spesso delle anomalie di connettività, che influenzano sia la sfera emotiva sia la capacità di concentrazione e memoria.

I metodi di ricerca non invasivi e di laboratorio

Poiché non è sostenibile né opportuno eseguire interventi chirurgici invasivi su larga scala per problemi di salute mentale, la ricerca si concentra primariamente su soluzioni non invasive, come copricapi leggeri o cuffie dotate di sensori. Parallelamente, nei laboratori si impiegano metodologie complementari avanzate:

• Tracciamento oculare: tecnologia che registra i movimenti degli occhi e i punti di fissazione visiva di un soggetto mentre osserva uno schermo, quantificando il livello di attenzione focalizzata su stimoli specifici.

• Cervello su chip: dispositivi nei quali cellule nervose o micro-tessuti cerebrali vengono coltivati su supporti tecnologici dotati di microelettrodi, consentendo di studiare la risposta cellulare ai farmaci e la trasmissione dei segnali elettrici.

• Coltivazione di cellule nervose: utilizzo di cellule staminali capaci di differenziarsi in neuroni specifici, utili per analizzare il funzionamento dei processi biologici senza la necessità di prelevare tessuto da individui viventi.

• Intelligenza artificiale e risonanza magnetica: applicazione di algoritmi di apprendimento automatico alle scansioni di risonanza per individuare anomalie strutturali o funzionali in tempi estremamente rapidi.

• Tecniche di imaging e tracciamento emodinamico: strumenti che misurano il flusso di sangue e il consumo di ossigeno nelle varie regioni cerebrali per mappare quali aree si attivano durante specifici compiti cognitivi o emotivi.

Approfondimenti tecnici e metodologici

Per comprendere appieno il funzionamento delle tecnologie citate e l’integrazione dei dati clinici, è necessario analizzare la fisica, la biologia molecolare e gli algoritmi matematici alla base della moderna neurodiagnostica.

Spettroscopia e neuroimaging funzionale (fMRI, fNIRS, EEG)

L’elettroencefalografia (EEG) misura l’attività elettrica del cervello mediante elettrodi posti sul cuoio capelluto. I segnali rilevati corrispondono alla somma spaziale dei potenziali post-sinaptici eccitatori e inibitori generati dai neuroni piramidali della corteccia cerebrale.

L’ampiezza tipica dei segnali EEG varia tra $10$ e $100\ \mu\text{V}$. Il segnale grezzo $S(t)$ catturato dagli elettrodi viene filtrato mediante filtri passa-banda e passa-alto per eliminare gli artefatti muscolari e le interferenze di rete a $50\ \text{Hz}$ o $60\ \text{Hz}$. Successivamente, si applica la Trasformata di Fourier Veloce (FFT) per convertire il segnale dal dominio del tempo al dominio della frequenza:

I segnali vengono suddivisi in bande di frequenza standard:

1. Delta ($0.5 – 4\ \text{Hz}$): associata al sonno profondo e a patologie organiche.

2. Theta ($4 – 8\ \text{Hz}$): associata a stati di sonnolenza, meditazione e memoria di lavoro.

3. Alfa ($8 – 12\ \text{Hz}$): tipica dello stato di riposo a occhi chiusi.

4. Beta ($12 – 30\ \text{Hz}$): legata all’attenzione attiva e al carico cognitivo.

5. Gamma ($> 30\ \text{Hz}$): associata al processamento informativo complesso e all’integrazione multisensoriale.

La risonanza magnetica funzionale (fMRI) si basa sul segnale BOLD (Blood Oxygen Level Dependent). L’emoglobina ossigenata ($HbO_2$) ha proprietà diamagnetiche, mentre l’emoglobina deossigenata ($Hb$) è paramagnetica. Quando un’area cerebrale si attiva, il consumo metabolico di ossigeno aumenta, provocando una risposta emodinamica locale con un afflusso di sangue ossigenato che supera il consumo effettivo. Questa variazione altera la suscettibilità magnetica locale, modificando il tempo di rilassamento trasversale $T_2^*$ dei protoni dell’acqua nel tessuto. La risoluzione spaziale della fMRI è elevata, nell’ordine dei millimetri ($1 – 3\ \text{mm}$), ma la risoluzione temporale è limitata dall’inerzia della risposta emodinamica ($1 – 5\ \text{secondi}$).

La spettroscopia funzionale nel vicino infrarosso (fNIRS) utilizza sorgenti luminose nella finestra spettrale del vicino infrarosso ($700 – 900\ \text{nm}$), dove i tessuti umani e l’acqua risultano relativamente trasparenti, mentre l’emoglobina presenta forti bande di assorbimento. Sfruttando la legge di Lambert-Beer modificata, è possibile calcolare le variazioni di concentrazione di emoglobina ossigenata $\Delta [HbO_2]$ e deossigenata $\Delta [Hb]$:

dove $\Delta A(\lambda)$ rappresenta l’estinzione della luce alla lunghezza d’onda $\lambda$, $\epsilon$ è il coefficiente di estinzione molare, $B$ è il fattore di cammino differenziale dovuto allo scattering fotonico, $L$ è la distanza fisica tra sorgente e rilevatore, e $\Delta S$ rappresenta la variazione del fattore di scattering del tessuto.

Modelli in vitro e ingegneria tessutale (Organ-on-a-Chip)

I sistemi Cervello su chip (Brain-on-a-Chip) utilizzano dispositivi microfluidici fabbricati in polidimetilsilossano (PDMS) o altri polimeri biocompatibili. All’interno di questi microcanali vengono collocate cellule staminali pluripotenti indotte (iPSC) umane, riprogrammate da fibroblasti cutanei o cellule ematiche tramite l’espressione di fattori di trascrizione specifici (Sox2, Oct4, Klf4, c-Myc).

Attraverso protocolli di differenziamento guidato, le iPSC vengono trasformate in neuroni corticali, interneuroni GABAergici e cellule gliali, come astrociti e microglia. Le cellule si organizzano in reti tridimensionali all’interno di matrici idrogel che simulano la matrice extracellulare cerebrale.

Sulla base dei microcanali vengono integrati array di microelettrodi (MEA – Microelectrode Arrays). Ogni microelettrodo registra i potenziali d’azione extracellulari generati dai neuroni adiacenti. Il potenziale extracellulare $V_e(\mathbf{r}, t)$ registrato nella posizione $\mathbf{r}$ è modellato tramite la formula delle sorgenti puntiformi di corrente:

dove $\sigma$ è la conducibilità elettrica del mezzo extracellulare, $I_i(t)$ rappresenta la corrente di membrana del segmento neuronale $i$, e $\Vert{}\mathbf{r} – \mathbf{r}_i\Vert{}$ è la distanza spaziale tra l’elettrodo e il segmento sorgente.

Questi modelli consentono lo screening ad alta efficienza di farmaci psicotropi, lo studio della neurotossicità e l’analisi della formazione di sinapsi in tempo reale mediante microscopia a fluorescenza e microscopia confocale ad alta risoluzione.

Algoritmi di Intelligenza Artificiale per l’analisi dei dati neurobiologici

L’analisi dei dati neurotecnologici complessi richiede l’impiego di architetture di apprendimento automatico (Machine Learning) e apprendimento profondo (Deep Learning). Per l’elaborazione dei segnali temporalmente strutturati come EEG o serie temporali BOLD, si utilizzano Reti Neurali Ricorsive (RNN), reti LSTM (Long Short-Term Memory) o architetture basate su Transformer.

Nel contesto delle immagini da risonanza magnetica, le Reti Neurali Convoluzionali 3D (3D-CNN) analizzano direttamente i volumi di voxel $V(x, y, z)$. Un’operazione di convoluzione tridimensionale è definita matematicamente come:

dove $K(m, n, p)$ rappresenta il kernel convoluzionale tridimensionale appreso dalla rete durante la fase di addestramento.

Per l’analisi delle connessioni funzionali cerebrali, si ricorre alla teoria dei grafi e alle Reti Neurali Graph-based (GNN – Graph Neural Networks). Il cervello viene rappresentato come un grafo $G = (V, E)$, dove $V$ è l’insieme dei nodi che rappresentano le regioni anatomiche di interesse (ROI – Regions of Interest), ed $E$ è l’insieme degli spigoli che misurano la forza della correlazione tra le serie temporali delle due regioni $u$ e $v$:

Gli algoritmi calcolano metriche di rete fondamentali come il coefficiente di clustering, la lunghezza media del percorso e la centralità di intermediazione, al fine di identificare marcatori quantitativi di patologie neuropsichiatriche.

Traduzione abstract. La disponibilità dello studio completo, in accesso libero o riservato, è verificabile tramite il link del DOI nel box sotto se disponibile.

Abstract

Nei 40 anni trascorsi da quando Aaron Beck propose per la prima volta il suo modello cognitivo della depressione, gli elementi di questo modello, attenzione distorta, elaborazione distorta, pensieri e ruminazione distorti, memoria distorta e atteggiamenti e schemi disfunzionali, sono stati costantemente associati all’insorgenza e al mantenimento della depressione. Sebbene numerosi studi abbiano esaminato i meccanismi neurali alla base degli aspetti cognitivi della depressione, i loro risultati non sono stati integrati con il modello cognitivo di Beck. In questa rassegna, identifichiamo l’architettura neurobiologica funzionale e strutturale del modello cognitivo della depressione di Beck. Sebbene i meccanismi alla base di ciascun elemento del modello differiscano, in generale le distorsioni cognitive negative nella depressione sono facilitate da una maggiore influenza delle regioni sottocorticali di elaborazione delle emozioni, combinata con un controllo cognitivo top-down attenuato.

by