EEG e intelligenza artificiale nella sindrome di Kleefstra: cosa sappiamo e quali sono i prossimi passi

Nel 2025 è stato pubblicato sulla rivista scientifica Sensori la mia recensione intitolata “Algoritmi di apprendimento automatico nell’analisi EEG della sindrome di Kleefstra: evidenze attuali e prospettive future”. Il lavoro riassume quanto sappiamo ad oggi sull'elettroencefalogramma (EEG) nella sindrome di Kleefstra ed esamina come i moderni metodi di analisi dei segnali e di apprendimento automatico potrebbero essere sfruttati in futuro per uno studio più approfondito della funzione cerebrale in questa sindrome.

Cosa sappiamo oggi dell'EEG nella sindrome di Kleefstra?;

L'elettroencefalogramma è un esame non invasivo che registra l'attività elettrica del cervello. Nel sindrome di Kleefstra viene utilizzato principalmente in presenza di crisi epilettiche o altri sintomi neurologici. I casi clinici pubblicati finora indicano che circa Il 20–30% delle persone affette dalla sindrome di Kleefstra presenta crisi epilettiche. Sono stati descritti diversi tipi di crisi, quali crisi tonico-cloniche generalizzate, assenze e crisi focali. Tuttavia, i risultati elettroencefalografici presentano una notevole eterogeneità. Ad oggi Non è stato ancora individuato un modello EEG stabile né un biomarcatore elettrofisiologico che caratterizzi in modo specifico la sindrome di Kleefstra. Ciò significa che l'EEG non costituisce un esame diagnostico per la sindrome e non può sostituire il test genetico.

La scarsa conoscenza non è dovuta solo alla rarità della sindrome. I dati EEG disponibili provengono principalmente da singoli casi clinici o da piccole serie di pazienti, spesso con protocolli di registrazione diversi, età diverse e quadro clinico diverso. Ciò rende difficile il confronto dei risultati tra gli studi.

Al di là della semplice valutazione visiva dell'EEG

Nella pratica clinica quotidiana, l’EEG viene valutato principalmente a occhio nudo da specialisti. La ricerca moderna, tuttavia, è in grado di ricavare dallo stesso segnale molte più informazioni quantitative.

Η analisi quantitativa dell'EEG (qEEG) può, ad esempio, di studiare l’intensità delle diverse frequenze del segnale cerebrale, la connettività funzionale tra diverse aree del cervello, nonché proprietà più complesse del segnale, come lo sfondo aperiodico dell’attività EEG.

Approcci di questo tipo sono già stati utilizzati in altre patologie dello sviluppo neurologico. Sindromi come la La sindrome di Angelman, la sindrome di Rett e la sindrome dell'X fragile sono stati studiati in modo più approfondito dal punto di vista elettrofisiologico e offrono esempi utili su come individuare biomarcatori EEG quantitativi nelle malattie genetiche rare.

In quali ambiti può essere d’aiuto l’intelligenza artificiale?;

Gli algoritmi di apprendimento automatico sono in grado di elaborare contemporaneamente un gran numero di caratteristiche e di individuare combinazioni o modelli difficili da rilevare solo attraverso l’osservazione visiva dell’EEG.

In un futuro studio su Kleefstra, si potrebbero ad esempio analizzare caratteristiche quali l’intensità delle onde cerebrali, la frequenza delle scariche epilettiche o le misurazioni della connettività cerebrale. Successivamente, algoritmi classici come i Macchine a vettori di supporto o i Foreste casuali potrebbero verificare se una certa combinazione di queste caratteristiche consenta di distinguere diversi gruppi clinici. Tali metodi sono particolarmente interessanti nel campo delle malattie rare, poiché possono essere utilizzati anche su campioni relativamente piccoli, a condizione che l’analisi e la validazione siano progettate con cura.

L'apprendimento profondo rappresenta un'altra possibile direzione, ma richiede volumi di dati molto più consistenti. In una sindrome così rara, l’addestramento diretto di grandi reti neurali su un numero limitato di registrazioni EEG comporta un rischio significativo di sovradattamento. Per questo motivo si stanno valutando approcci quali il transfer learning, in cui un modello viene inizialmente addestrato su un ampio database di EEG e successivamente adattato a un insieme di dati più ridotto, nonché tecniche aumentazione dei dati per far fronte alla mancanza di dati.

Per il momento, tuttavia, queste possibilità nella sindrome di Kleefstra rimangono di ricerca. La difficoltà principale non è la mancanza di algoritmi disponibili, bensì l’assenza di grandi insiemi di dati EEG standardizzati e accessibili al pubblico, specifici per questa sindrome.

Dall'idea a una banca dati EEG internazionale

Una delle conclusioni principali della rassegna è che, prima di poter parlare seriamente di applicazioni dell'intelligenza artificiale a Kleefstra, è necessario creare innanzitutto un'adeguata infrastruttura di ricerca.

Il lavoro propone come orientamenti fondamentali:

• raccolta multicentrica di dati EEG da persone affette dalla sindrome di Kleefstra,
• il più possibile protocolli standardizzati di registrazione, in modo che i dati provenienti da centri diversi possano essere messi a confronto,
• una raccolta che comprende sia classici che caratteristiche quantitative dell’EEG,
• registrazione accurata delle informazioni cliniche che possono influenzare l'EEG, quali l'età, l'epilessia e la terapia farmacologica,
• ove possibile, registrazioni ricorrenti nel tempo, al fine di studiare l'evoluzione dell'attività cerebrale,
• creazione di insiemi di dati adeguati e anonimizzati che possano essere utilizzati per lo sviluppo e la valutazione indipendente di algoritmi di apprendimento automatico.

La collaborazione internazionale riveste particolare importanza. Per un singolo centro è estremamente difficile raccogliere un numero sufficiente di EEG da soggetti con una diagnosi così rara. Al contrario, la collaborazione tra più centri e famiglie può gradualmente creare un insieme di dati sufficientemente ampio da consentire analisi più affidabili. La rassegna menziona infatti la prospettiva di creare un database comune “EEG data commons” sulla sindrome di Kleefstra.

Cosa potrebbe offrire un’iniziativa del genere?;

L'obiettivo immediato non è quello di creare un "algoritmo diagnostico" di Kleefstra basato sull'EEG. La diagnosi genetica rimane il metodo di conferma della sindrome.

Il vero valore di una raccolta di EEG ampia e ben organizzata sarebbe quello di permetterci di verificare se esistono caratteristiche elettrofisiologiche ricorrenti che al momento non riusciamo a distinguere a causa delle dimensioni molto ridotte dei campioni.

In futuro, tali biomarcatori potrebbero contribuire a una migliore comprensione del funzionamento cerebrale, nel monitoraggio dei cambiamenti legati all’età o al decorso clinico e, qualora si dimostrassero sufficientemente affidabili, nella valutazione oggettiva della risposta a futuri interventi terapeutici. Si tratta tuttavia di obiettivi che richiedono una ricerca sistematica e una validazione indipendente prima di poter essere trasferiti alla pratica clinica.

Fonte

Tzimourta KD. Algoritmi di apprendimento automatico nell'analisi EEG della sindrome di Kleefstra: evidenze attuali e prospettive future. Sensori. 2025;25(11):3420. doi:10.3390/s25113420. (MDPI)

Nota: L'articolo costituisce una presentazione informativa di questa specifica revisione scientifica. Le possibili applicazioni dell’apprendimento automatico e dei biomarcatori EEG nella sindrome di Kleefstra sono ancora in fase di ricerca e non costituiscono attualmente applicazioni diagnostiche o terapeutiche consolidate.