Diagnosi dei disturbi della coscienza mediante mappe topografiche EEG derivate da caratteristiche non lineari tramite deep learning

Ascoltare i segni di consapevolezza

Quando una persona cara resta priva di risposta dopo un grave danno cerebrale, familiari e medici devono affrontare una domanda straziante: c'è ancora qualche forma di consapevolezza e, se sì, quanto estesa è? Gli esami clinici al letto del paziente possono non rilevare segnali sottili di coscienza, portando a diagnosi errate che influenzano le cure, la riabilitazione e persino decisioni sul fine vita. Questo studio esplora un nuovo modo di «ascoltare» il cervello danneggiato usando registrazioni EEG, una misura matematica della complessità del segnale e algoritmi di deep learning per distinguere meglio tra due condizioni principali: lo stato vegetativo e lo stato di minima coscienza.

Due stati non responsivi molto diversi

Dopo un grave danno cerebrale, alcuni pazienti aprono gli occhi ma non mostrano segni evidenti di consapevolezza; vengono descritti come in stato vegetativo, detto anche sindrome di veglia non responsiva (VS/UWS). Altri possono occasionalmente seguire comandi semplici, inseguire oggetti con lo sguardo o reagire in modo significativo a voci o tocchi; questi pazienti sono definiti in stato di minima coscienza (MCS). Sebbene i comportamenti possano apparire simili a prima vista, le possibilità di recupero e il tipo di riabilitazione necessari possono essere molto diversi. Eppure anche team clinici esperti classificano erroneamente fino al 40% di questi pazienti quando si affidano principalmente all’osservazione al letto del paziente. Gli autori hanno cercato di supportare i clinici con uno strumento oggettivo basato sul cervello che possa funzionare al letto del paziente e che non dipenda dalla capacità di muoversi o parlare.

Misurare la complessità cerebrale con suono e silenzio

I ricercatori hanno studiato 104 adulti con disturbi della coscienza valutati con cura mediante una scala standardizzata di recupero dal coma. Ogni paziente ha avuto l’attività cerebrale registrata con un sistema EEG a 19 canali mentre riposava e nuovamente mentre ascoltava la sua musica preferita, scelta sulla base di interviste ai familiari. Piuttosto che concentrarsi sulle onde cerebrali tradizionali, il gruppo ha calcolato una misura non lineare chiamata entropia approssimata, che cattura quanto il segnale EEG sia complesso e imprevedibile nel tempo. In termini semplici, entropia più alta riflette un’attività cerebrale più ricca e varia, associata al processamento consapevole. I valori di entropia di ciascun elettrodo sulla scatola cranica sono stati trasformati in mappe topografiche colorate, creando una sorta di “ritratto della complessità” del cervello sia in condizioni di riposo sia durante la musica preferita.

Insegnare a una rete neurale a leggere le mappe

Per trasformare queste mappe in uno strumento diagnostico, il team ha addestrato una rete neurale convoluzionale (CNN) — un tipo di sistema di deep learning spesso usato nel riconoscimento delle immagini — a distinguere VS/UWS da MCS. Per ogni paziente, più segmenti EEG di 1 secondo sono stati convertiti in mappe di entropia e assemblati in immagini che sono servite come input per la CNN. In parallelo, gli autori hanno costruito due modelli di machine learning più tradizionali: una support vector machine e una generalized regression neural network, usando caratteristiche numeriche selezionate dall’EEG. Hanno poi confrontato quanto bene ciascun approccio etichettava un gruppo di test indipendente di pazienti la cui diagnosi vera era nota grazie a una valutazione clinica accurata.

Differenze nette nei segnali cerebrali e migliore accuratezza

Lo studio ha rilevato che i pazienti in stato di minima coscienza mostravano entropia più alta in diverse regioni cerebrali rispetto a quelli in stato vegetativo, in particolare sul lato sinistro della testa e durante l’ascolto della musica preferita. Nei pazienti MCS, valori di entropia più elevati erano significativamente collegati a punteggi più alti sulla scala di recupero dal coma, suggerendo che la misura segue reali differenze nella consapevolezza. Per quanto riguarda la classificazione automatica, la CNN ha avuto le migliori prestazioni: ha distinto correttamente i due gruppi circa il 90% delle volte e ha raggiunto un’elevata misura riassuntiva di accuratezza (AUC 0,90). La support vector machine ha ottenuto risultati discreti, mentre la generalized regression network è rimasta indietro. Nel complesso, questi risultati indicano che fornire mappe cerebrali simili a immagini a un modello di deep learning può catturare schemi spaziali sottili che metodi più semplici perdono.

Cosa potrebbe significare per pazienti e famiglie

Per i non specialisti, la conclusione chiave è che la «complessità del segnale» cerebrale durante il riposo e mentre si ascolta musica significativa contiene indizi preziosi sulla consapevolezza nascosta. Trasformando questi indizi in mappe facili da interpretare e permettendo a una rete neurale di apprendere da esse, i ricercatori hanno creato uno strumento che può aiutare a distinguere pazienti veramente non consapevoli da quelli che conservano una forma fragile ma reale di coscienza. Sebbene il lavoro debba essere confermato su gruppi più ampi e diversificati di pazienti, punta verso un futuro in cui registrazioni EEG di routine, combinate con suoni scelti con cura e intelligenza artificiale moderna, offrano una voce più affidabile per chi non può parlare per sé.

Citazione: Qu, S., Wu, X., Huang, L. et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning. Sci Rep 16, 7417 (2026). https://doi.org/10.1038/s41598-026-36733-6

Parole chiave: disturbi della coscienza, EEG, deep learning, stato vegetativo, stato di minima coscienza