Profili di psicopatologia e correlati longitudinali dell’autolesionismo non suicidario nei giovani: un approccio di machine learning

Perché questa ricerca è importante per le famiglie e le comunità

L’autolesionismo non suicidario (NSSI) — il danneggiamento intenzionale del proprio corpo senza intenzione di morire — è sorprendentemente comune negli adolescenti e nei giovani adulti. È fonte di grande preoccupazione per i genitori, doloroso per i giovani e strettamente collegato a successivi problemi di salute mentale e al rischio di suicidio. Questo studio ha seguito bambini brasiliani dall’infanzia all’età adulta precoce per porsi una domanda cruciale: esistono diversi tipi di giovani che finiscono per autolesionarsi, e possiamo individuare per tempo chi è più a rischio per offrire aiuto?

Due percorsi diversi verso lo stesso comportamento dannoso

Utilizzando i dati di oltre 1.300 bambini dello Brazilian High-Risk Cohort Study, i ricercatori hanno applicato strumenti di machine learning per raggruppare gli adolescenti e i giovani adulti che hanno riportato NSSI in base ai loro profili di salute mentale. Questi strumenti, che cercano schemi in grandi insiemi di dati, hanno rivelato due profili chiari tra 244 giovani che si erano autolesionati: uno con livelli generalmente elevati di difficoltà psicologiche e uno con livelli relativamente bassi. Un gruppo di confronto di oltre 1.100 coetanei che non avevano riportato NSSI ha aiutato il team a capire cosa differenziava i gruppi con autolesionismo. Pur condividendo lo stesso comportamento, i due gruppi NSSI presentavano storie e pattern di difficoltà differenti nel tempo.

Un gruppo con grandi difficoltà, precoci e persistenti

Il primo profilo — il gruppo delle “difficoltà elevate” — comprendeva giovani che avevano problemi evidenti sin dalla prima infanzia. Da bambini erano più propensi ad avere disturbo da deficit di attenzione/iperattività (ADHD), conflitti tra i genitori, relazioni tese con i caregiver e un genitore con un disturbo dell’umore. Con l’ingresso nell’adolescenza, i loro problemi emotivi e comportamentali aumentavano: più ansia e depressione, ritiro sociale, problemi alimentari, scoppi emotivi, vittimizzazione da bullismo e persino sovrappeso — segnali di un disagio crescente. In tarda adolescenza e prima età adulta, questo gruppo mostrava tassi elevati di depressione diagnosticata, comportamenti aggressivi, storia di traumi e uso di farmaci psichiatrici. Le loro autolesioni tendevano a essere più frequenti e gravi, riflettendo una cascata di difficoltà che si protraeva a casa, a scuola e dentro di loro.

Un percorso più silenzioso, con sintomi meno evidenti ma comunque verso l’autolesionismo

Il secondo profilo — il gruppo delle “difficoltà minori” — appariva per gran parte dell’infanzia molto più simile alla popolazione generale. Questi giovani avevano meno sintomi di salute mentale precoci e, in media, un migliore autocontrollo, una capacità cognitiva che aiuta a fermarsi prima di agire. Segnalavano anche meno conflitti familiari e minori esposizioni a sostanze in età precoce. Le loro difficoltà sono emerse più tardi, intorno alla metà dell’adolescenza, sotto forma di sospensioni scolastiche, frequenza scolastica ridotta, alcuni problemi ossessivo-compulsivi o di attenzione e lavori o impieghi saltuari. In tarda adolescenza riportavano sentimenti depressivi e qualche calo di ottimismo e benessere, ma non il quadro psichiatrico ampio e severo del primo gruppo. Molti restavano impegnati a scuola, in attività culturali e nel lavoro. Per loro, l’autolesionismo sembra meno legato a una malattia mentale di lunga durata e più a un uso della lesione come strategia disadattiva per far fronte quando lo stress della vita quotidiana supera le loro risorse di coping.

Come il machine learning ha aiutato a collegare i punti

I metodi statistici standard spesso faticano a prevedere chi si autolesionerà, perché i fattori di rischio si sovrappongono e interagiscono in modi complessi. In questo lavoro i ricercatori hanno usato una pipeline di machine learning in due fasi. Prima, un algoritmo chiamato Self-Organizing Map ha creato una “mappa” dei profili di salute mentale dei giovani, e un metodo di clustering ha diviso questa mappa nei due sottogruppi NSSI e nel gruppo di confronto senza NSSI. Secondo, altri algoritmi — inclusi modelli elastic net e random forest — hanno setacciato decine di variabili raccolte in tre momenti temporali, come diagnosi, sintomi, fattori familiari, esperienze scolastiche e funzione cognitiva. Questi modelli hanno performato meglio del caso nel distinguere i gruppi, in particolare il profilo a difficoltà elevate, e hanno evidenziato combinazioni di fattori come ADHD, bullismo, traumi e problemi d’umore genitoriali per il gruppo ad alto rischio, e sospensioni scolastiche, perfezionismo e sintomi a insorgenza più tardiva per il gruppo a difficoltà minori.

Cosa significa per prevenzione e supporto

Per un lettore generale, il messaggio principale è che non tutti i giovani che si autolesionano seguono lo stesso percorso. Alcuni faticano in modo evidente per anni, con molteplici problemi di salute mentale e sociali che si accumulano. Altri sembrano ben adattati fino alla tarda adolescenza, quando stress e problemi più lievi finiscono per sopraffare le loro capacità di coping. L’autolesionismo in entrambi i gruppi è un segnale di forte disagio, non semplicemente un “cercare attenzione”. Lo studio suggerisce che la prevenzione deve agire su più livelli: identificazione precoce e trattamento dei problemi di salute mentale e dello stress familiare in età infantile; interventi scolastici e comunitari per ridurre il bullismo; e facile accesso a interventi brevi basati sulle competenze che insegnino modi più sani di gestire le emozioni, anche per adolescenti che non soddisfano i criteri di un disturbo mentale formale. Riconoscendo che percorsi differenti possono condurre allo stesso comportamento pericoloso, famiglie, scuole e sistemi sanitari possono rispondere in modo più flessibile — e, in ultima analisi, più efficace — per proteggere il futuro dei giovani.

Citazione: Croci, M.S., Brañas, M.J., Finch, E.F. et al. Psychopathology profiles and longitudinal correlates of nonsuicidal self-injury in youth: a machine-learning approach. Transl Psychiatry 16, 99 (2026). https://doi.org/10.1038/s41398-026-03832-x

Parole chiave: autolesionismo non suicidario, salute mentale giovanile, machine learning, sviluppo adolescenziale, fattori di rischio e di protezione