Verso un biomarcatore digitale basato sulla voce per il deterioramento cognitivo: il parlato come proxy per la valutazione cognitiva

Perché la conversazione quotidiana può rivelare la salute del cervello

La maggior parte di noi dà per scontato parlare con gli amici o descrivere un quadro. Ma con l’avanzare dell’età, cambiamenti sottili nel modo in cui scegliamo le parole, costruiamo le frasi e facciamo pause tra le battute possono indicare quanto bene sta funzionando il nostro cervello. Questo studio pone una domanda semplice ma potente: una breve registrazione di parlato ordinario, raccolta a casa con un portatile, potrebbe funzionare da segnale di allarme precoce per problemi come la demenza—senza la necessità di lunghe visite cliniche e test su carta?

Ascoltare invece di sottoporre a test lunghi

Oggi la diagnosi del declino cognitivo dipende di solito da test in presenza effettuati da specialisti. Queste sedute richiedono tempo, sono costose e difficili da ripetere frequentemente o su larga scala. Allo stesso tempo, milioni di anziani sono a rischio di condizioni come il morbo di Alzheimer, in cui la rilevazione precoce è importante: farmaci e cambiamenti nello stile di vita tendono a funzionare meglio prima che compaiano sintomi gravi. Il parlato è una fonte di informazioni attraente: è economico da registrare, può essere acquisito a distanza e riflette naturalmente molte abilità mentali, dalla memoria all’attenzione e alla pianificazione. I ricercatori hanno voluto verificare se brevi campioni di parlato quotidiano potessero fungere da “biomarcatore digitale” della salute cognitiva.

Trasformare il parlato casuale in segnali misurabili

Il team ha reclutato 1003 adulti anglofoni di età pari o superiore a 60 anni dagli Stati Uniti e dal Regno Unito. I partecipanti hanno svolto test standard online che misuravano quattro ambiti generali: linguaggio, funzione esecutiva (pianificazione e flessibilità mentale), memoria e velocità. Hanno inoltre completato tre semplici compiti di parlato a casa: descrivere due scene in bianco e nero ben note utilizzate nei test clinici sul linguaggio e parlare della settimana appena trascorsa. Utilizzando software di riconoscimento automatico del parlato, gli scienziati hanno trasformato l’audio in testo ed estratto decine di proprietà misurabili sia dal suono sia dalle parole—come la velocità di parola, la frequenza delle pause, la varietà del vocabolario e la frequenza d’uso di diverse categorie di parole come sostantivi, verbi o pronomi.

Addestrare i computer a stimare le capacità cognitive

Con queste caratteristiche del parlato, i ricercatori hanno addestrato modelli di machine learning a prevedere i punteggi dei test cognitivi di ciascuna persona. Hanno confrontato modelli che utilizzavano solo informazioni di base (età, genere, istruzione e paese) con modelli che includevano anche le caratteristiche del parlato. L’aggiunta del parlato ha fatto una differenza marcata: per l’abilità linguistica, il modello basato sul parlato ha spiegato circa il 27% delle differenze tra le persone, più di quattro volte quanto potessero fare solo le variabili demografiche. Ha inoltre catturato una quota significativa della variazione nella funzione esecutiva e nella velocità di ragionamento, sebbene molto meno per la memoria. Analisi dettagliate hanno mostrato che un uso ricco e specifico delle parole e una resa più fluida e scorrevole (maggiore velocità di parola e pause meno frequenti o più brevi) tendevano a corrispondere a punteggi più elevati nei test.

Individuare chi potrebbe mostrare un declino

Oltre a stimare punteggi su una scala continua, il team ha verificato se il parlato potesse aiutare a segnalare individui le cui prestazioni erano inaspettatamente basse per età e istruzione—persone che potrebbero avere un rischio maggiore di sviluppare demenza. Utilizzando le stesse caratteristiche del parlato, hanno addestrato un modello separato per distinguere questi “bassi prestatori cognitivi” dagli altri. In particolare per l’abilità linguistica, il modello ha mostrato una buona capacità di screening, il che significa che una semplice registrazione della descrizione di un’immagine potrebbe aiutare a individuare un sottogruppo di anziani che merita attenzione clinica più approfondita o che potrebbe essere candidato ideale per partecipare a trial terapeutici.

Mettere l’approccio alla prova su pazienti reali

Per capire se i loro modelli coglievano differenze rilevanti clinicamente, i ricercatori li hanno applicati, senza alcun riaddestramento, a un dataset indipendente di persone con morbo di Alzheimer e pari sani che avevano eseguito lo stesso compito di descrizione dell’immagine decenni prima. Anche se le registrazioni erano più datate e più rumorose, i punteggi basati sul parlato risultavano chiaramente più bassi per il gruppo con Alzheimer in tutti e quattro gli ambiti cognitivi, specialmente linguaggio e funzione esecutiva. Questo suggerisce che i pattern appresi da un ampio gruppo di anziani per lo più sani hanno ancora senso quando vengono applicati a pazienti con demenza diagnosticata.

Cosa potrebbe significare per la cura di tutti i giorni

Per i non specialisti, il messaggio chiave è che brevi campioni di parlato ordinario contengono una quantità sorprendente di informazioni su quanto bene funzioni il cervello di una persona anziana, in particolare per il linguaggio e il pensiero di ordine superiore. Pur non potendo sostituire una valutazione clinica completa—e risultando da soli meno informativi per la memoria—potrebbero diventare un modo a basso costo e non intrusivo per monitorare i cambiamenti nel tempo, stimolare controlli tempestivi e aiutare i ricercatori a individuare i partecipanti giusti per i trial clinici. In futuro, una chiamata telefonica o video routinaria potrebbe analizzare silenziosamente il nostro modo di parlare, offrendo un primo segnale per cercare aiuto molto prima che i problemi seri diventino ovvi.

Citazione: Heitz, J., Engler, I.M. & Langer, N. Towards a speech-based digital biomarker for cognitive impairment: speech as a proxy for cognitive assessment. npj Digit. Med. 9, 179 (2026). https://doi.org/10.1038/s41746-026-02360-8

Parole chiave: screening cognitivo basato sul parlato, biomarcatori digitali, morbo di Alzheimer, invecchiamento e demenza, machine learning in medicina