Apprendimento profondo per rilevare la depressione in individui con e senza alessitimia

Perché parlare dei propri sentimenti può essere così difficile

Molte persone convivono con la depressione, eppure i nostri strumenti principali per individuarla si basano ancora su questionari in cui si chiede alle persone di descrivere come si sentono. Ma cosa succede quando qualcuno fatica a riconoscere o a mettere in parole le proprie emozioni? Questo studio esamina un gruppo di persone con un tratto chiamato alessitimia — difficoltà a riconoscere e verbalizzare i sentimenti — e si chiede se l’intelligenza artificiale (IA) possa aiutare i medici a individuare la depressione in modo più accurato in questi casi.

Quando i test di autovalutazione non bastano

I comuni strumenti di screening per la depressione, come brevi checklist che i pazienti compilano in ambulatorio o online, sono rapidi e pratici. Tuttavia presuppongono che le persone siano in grado di notare e riferire con una certa precisione tristezza, perdita di interesse o preoccupazione. Per chi ha alessitimia, questa premessa spesso non regge. Possono sentirsi male senza riuscire facilmente a etichettare le emozioni, e quindi sottostimare il proprio disagio nei test di autovalutazione anche quando sono davvero depressi. I ricercatori hanno riscontrato che l’alessitimia non è rara — riguarda quasi una persona su dieci — e che livelli più elevati di alessitimia sono associati a una depressione più grave nel complesso.

Lasciare che i computer ascoltino la conversazione

Invece di basarsi solo sui moduli, il team si è rivolto alle parole pronunciate nei colloqui clinici. Quasi 300 adulti di madrelingua cantonese, tra pazienti con disturbo depressivo maggiore e volontari della comunità, hanno partecipato a interviste strutturate con uno psichiatra usando una scala di valutazione standard per la depressione. Queste interviste sono state trascritte in testo. I ricercatori hanno quindi addestrato otto grandi modelli linguistici — sistemi IA avanzati che analizzano il testo — a decidere se ogni persona fosse depressa, usando il giudizio dello psichiatra come standard di riferimento. I modelli non hanno avuto accesso ai punteggi dei questionari; hanno imparato direttamente da come le persone parlavano del sonno, dell’energia, della vita quotidiana e dell’umore.

IA contro il casellario

Lo studio ha confrontato quanto bene i modelli di IA e una scala di autovalutazione ampiamente utilizzata, la sottoscala per la depressione dell’Hospital Anxiety and Depression Scale (HADS-D), riuscissero a identificare la depressione. Considerando tutti i partecipanti, quattro degli otto modelli di IA hanno chiaramente superato la scala di autovalutazione. Quando il team si è concentrato sulle persone con alessitimia, il contrasto è stato marcato: l’accuratezza della scala di autovalutazione è scesa al livello di una cattiva ipotesi, mentre i modelli di IA sono rimasti solidi, mostrando prestazioni da buone a eccellenti. È importante sottolineare che i sistemi IA hanno funzionato altrettanto bene sia per le persone senza alessitimia, sia per quelle con alessitimia possibile o evidente, suggerendo che le difficoltà nel descrivere i sentimenti non li hanno sviati.

Perché l’IA resta stabile quando le parole non bastano

Perché i computer potrebbero riuscire dove i questionari falliscono? Gli autori sostengono che il linguaggio parlato in un colloquio contiene molteplici indizi sottili — scelta delle parole, livello di dettaglio, schemi di esitazione — che riflettono lo stato interiore di una persona, anche quando questa non riesce a nominare le proprie emozioni. I grandi modelli linguistici sono progettati per cogliere tali schemi su ampie porzioni di testo. Al contrario, le scale di autovalutazione offrono un insieme fisso di domande brevi che si concentrano soprattutto su pensieri e sentimenti; lasciano poco spazio a chi non è sicuro di come valutarsi. I risultati suggeriscono che strumenti basati sull’IA, se sviluppati e testati con cura, potrebbero fungere da potenti assistenti per i clinici, specialmente in contesti dove il tempo degli specialisti è limitato e le liste d’attesa sono lunghe.

Cosa significa per le cure future

Per un lettore non specialista, il messaggio chiave è semplice: alcune persone sono meno in grado di descrivere come si sentono e, per loro, i questionari standard per la depressione possono non rilevare problemi importanti. Questo studio mostra che sistemi di IA che analizzano ciò che i pazienti dicono in un colloquio possono spesso rilevare la depressione in modo più affidabile rispetto ai moduli di autovalutazione, e mantengono la loro accuratezza anche in presenza di alessitimia. Pur non sostituendo i clinici umani, l’IA potrebbe aiutare a identificare prima le persone a rischio e a orientare cure più personalizzate. Gli autori suggeriscono che approcci simili potrebbero un giorno migliorare l’identificazione di altri disturbi della salute mentale, avvicinandoci a valutazioni che si adattano realmente a ciascuna persona, invece di chiedere a tutti di adattarsi allo stesso modulo.

Citazione: Lam, C., Xian, L., Huang, R. et al. Deep learning for detecting depression in individuals with and without alexithymia. Commun Med 6, 123 (2026). https://doi.org/10.1038/s43856-026-01393-0

Parole chiave: rilevamento della depressione, alessitimia, intelligenza artificiale, colloqui clinici, screening della salute mentale