Un’esplorazione sistematica dei biomarcatori digitali per la rilevazione degli episodi depressivi nel disturbo bipolare

Perché il tuo telefono e un anello potrebbero segnalare un peggioramento

Per molte persone con disturbo bipolare, gli episodi depressivi possono sembrare arrivare all’improvviso, compromettendo lavoro, relazioni e vita quotidiana. Questo studio pone una domanda semplice ma dalle implicazioni estese: i modelli ricavati dai dati quotidiani — da un anello indossabile che monitora attività e sonno, insieme a brevissime rilevazioni giornaliere dell’umore — possono segnalare in modo affidabile quando qualcuno passa da una fase stabile alla depressione? Se sì, la tecnologia che molte persone già portano con sé potrebbe aiutare pazienti e clinici a intervenire prima, molto prima che una crisi renda necessaria una cura urgente.

Seguire la vita reale per mesi, non per minuti

I ricercatori hanno seguito 133 adulti con disturbo bipolare di tipo I o II per una mediana di circa otto mesi. I partecipanti indossavano un Oura ring, un dispositivo commerciale che registra continuamente movimento e sonno, e compilavano via email brevissime valutazioni giornaliere di umore, energia e ansia. Una volta alla settimana compilavano anche un questionario standard sulla depressione usato in ambito clinico. Usando questi questionari settimanali, il gruppo ha segnato quando un partecipante entrava in un episodio depressivo — definito come almeno due settimane consecutive con sintomi clinicamente significativi — e quando si trovava in uno stato stabile, o eutimico. Ciò ha creato lunghi e dettagliati “flussi” di comportamento e umore attraverso periodi buoni e periodi critici.

Trasformare migliaia di punti dati in pochi segnali chiari

Dai dati grezzi, gli scienziati hanno costruito 49 variabili di base (come l’attività giornaliera relativa ai passi, il tempo per addormentarsi e la valutazione media dell’umore) su diverse scale temporali, quindi hanno estratto sette descrittori matematici del comportamento di ciascuna variabile nel tempo. Questi descrittori coglievano non solo i livelli, ma quanto una misura oscillasse giorno per giorno, quanto fossero estremi quegli scossoni e quanto fosse simile un giorno al successivo. Il risultato è stato un insieme di 343 potenziali “biomarcatori digitali” che descrivono modelli di sonno, attività e autovalutazioni di umore, energia e ansia. Hanno quindi impiegato metodi di machine learning interpretabile — algoritmi che possono sia classificare i modelli sia rivelare quali input erano più importanti — per capire quali combinazioni separavano meglio i giorni depressivi da quelli stabili.

Come si è manifestata la depressione nei modelli quotidiani

Tra tutti i segnali, le autovalutazioni giornaliere sono state la singola fonte d’informazione più forte. I modelli che usavano solo i tre cursori giornalieri per umore, energia e ansia distinguevano con alta precisione gli episodi depressivi dai periodi stabili (un’area sotto la curva ROC di circa 0,82, dove 1,0 è perfetto e 0,5 non è meglio del caso). Durante gli episodi depressivi, le persone valutavano chiaramente più basso il proprio umore e la propria energia. Allo stesso tempo, i punteggi oscillavano entro un intervallo basso e ristretto — producendo un pattern statistico che gli autori chiamano paradosso variabilità relativa-assoluta: umore ed energia sembravano più “variabili” se misurati rispetto al loro basso valore medio, ma in termini assoluti le persone si sentivano persistentemente basse e “bloccate”. In altre parole, la depressione qui assomigliava più a una valle piatta e prolungata che a brusche salite e discese.

Cambiamenti sottili nel movimento e nel sonno contano comunque

Anche senza le autovalutazioni, l’anello indossabile da solo forniva indizi utili. Gli episodi depressivi erano associati a minore variabilità giorno per giorno nell’attività complessiva — i livelli di movimento delle persone erano più uniformemente bassi. Anche i modelli di sonno cambiavano. Il tempo per addormentarsi variava più selvaggiamente da una notte all’altra, mentre le misure del sonno profondo tendevano a mostrare meno oscillazioni estreme. Sebbene i modelli basati su attività e sonno fossero meno precisi rispetto a quelli che includevano i rapporti giornalieri sull’umore, superavano comunque il caso e si sono dimostrati robusti in molti test statistici, suggerendo che i ritmi del corpo diventano più rigidi e meno adattabili durante le fasi depressive.

Dalla descrizione ai sistemi di allerta precoce

Gli autori sottolineano che questo lavoro è un passo iniziale ma cruciale: si concentra sul descrivere con precisione quando una persona è depressa, non ancora sul prevedere gli episodi prima che inizino. Ciononostante, il quadro emergente è intuitivamente riconoscibile: durante gli episodi depressivi le persone si sentono costantemente peggio e con meno energia, si muovono di meno e in modo più monotono e mostrano abitudini di sonno più irregolari. Poiché i biomarcatori digitali chiave identificati sono relativamente semplici — la variabilità giorno per giorno di umore, attività e tempo per addormentarsi — potrebbero alla fine essere integrati in app o cruscotti clinici. Per i pazienti, questo potrebbe significare che un telefono e un anello monitorano discretamente questi pattern in background e avvisano loro e il loro clinico quando i ritmi quotidiani iniziano a somigliare a precedenti episodi depressivi, aprendo la strada a cure più tempestive e personalizzate.

Citazione: Halabi, R., Mulsant, B.H., Tolend, M. et al. A systematic exploration of digital biomarkers for the detection of depressive episodes in bipolar disorder. npj Mental Health Res 5, 13 (2026). https://doi.org/10.1038/s44184-026-00195-5

Parole chiave: disturbo bipolare, biomarcatori digitali, sensori indossabili, rilevazione della depressione, fenotipizzazione digitale