{"id":32988,"date":"2025-05-06T15:10:52","date_gmt":"2025-05-06T13:10:52","guid":{"rendered":"https:\/\/neuronup.com\/it\/?p=32988"},"modified":"2025-05-22T13:49:29","modified_gmt":"2025-05-22T11:49:29","slug":"i-modelli-linguistici-come-chatgpt-possono-aiutare-a-diagnosticare-lautismo","status":"publish","type":"post","link":"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/i-modelli-linguistici-come-chatgpt-possono-aiutare-a-diagnosticare-lautismo\/","title":{"rendered":"I modelli linguistici come ChatGPT possono aiutare a diagnosticare l\u2019autismo?"},"content":{"rendered":"\n

In questo articolo, la dottoranda Marta Arbizu G\u00f3mez presenta lo studio \u00abI grandi modelli linguistici decostruiscono l\u2019intuizione clinica per diagnosticare l\u2019autismo\u00bb<\/em>, in cui si esplora l\u2019impatto dell\u2019uso di modelli linguistici su larga scala per la diagnosi dell\u2019autismo<\/strong>.<\/p>\n\n\n\n

Introduzione<\/h2>\n\n\n\n

La diagnosi del disturbo dello spettro autistico (ASD) \u00e8 stata tradizionalmente un compito complesso, che dipende in larga misura dall\u2019esperienza clinica, dall\u2019osservazione dettagliata e dall\u2019interpretazione di comportamenti diversi. Sebbene esistano linee guida diagnostiche ben definite come il DSM-5, nella pratica clinica ci si affida spesso a una \u201cintuizione\u201d<\/strong> che i professionisti sviluppano dopo anni di esperienza. Ma cosa accadrebbe se potessimo \u201cleggere\u201d questa intuizione e comprenderla da un approccio pi\u00f9 oggettivo?<\/p>\n\n\n\n

Uno studio recente pubblicato sulla rivista Cell<\/em>, intitolato “Large language models deconstruct the clinical intuition behind diagnosing autism”<\/em>, esplora proprio questa possibilit\u00e0: utilizzare modelli linguistici su larga scala<\/strong> (LLM, secondo l\u2019acronimo inglese) per decifrare i modelli seguiti dai clinici nella diagnosi dell\u2019autismo<\/strong>. I risultati non solo sono sorprendenti, ma potrebbero anche avere profonde implicazioni su come comprendiamo e realizziamo le diagnosi di ASD oggi.<\/p>\n\n\n\n

Il contesto: perch\u00e9 \u00e8 necessario rivedere il modo in cui diagnostichiamo l\u2019autismo?<\/h2>\n\n\n\n

L\u2019ASD \u00e8 un disturbo del neurosviluppo caratterizzato da difficolt\u00e0 nella comunicazione sociale e da modelli di comportamento e interessi ristretti e ripetitivi<\/strong>. Tuttavia, queste caratteristiche possono presentarsi con grande variabilit\u00e0 tra gli individui, rendendo la diagnosi un processo sfumato e, a volte, soggettivo.<\/p>\n\n\n\n

Inoltre, sebbene strumenti diagnostici standardizzati come ADOS o ADI-R apportino struttura al processo, molte diagnosi si basano su rapporti narrativi scritti da clinici che hanno osservato il paziente. In altre parole, il modo in cui il clinico descrive il paziente pu\u00f2 avere un grande peso nella diagnosi finale.<\/p>\n\n\n\n

Di fronte a questa realt\u00e0, i ricercatori si sono posti una domanda chiave: quali elementi all\u2019interno di questi rapporti scritti stanno realmente guidando le decisioni diagnostiche?<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n

Ottenere un programma di stimolazione cognitiva<\/strong> per persone con lesioni cerebrali<\/h2>\n<\/div>\n\n\n\n
\n
\n
Clicca qui<\/strong><\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n

Cosa hanno fatto i ricercatori?<\/h2>\n\n\n\n

Gli autori dello studio hanno raccolto oltre 40.000 rapporti clinici di pazienti pediatrici<\/strong> del sistema sanitario pubblico del Massachusetts. Questi rapporti, redatti da professionisti della salute mentale, contenevano descrizioni dettagliate del comportamento e del funzionamento dei pazienti.<\/p>\n\n\n\n

Con questo database, i ricercatori hanno addestrato diversi modelli linguistici<\/strong>, tra cui GPT-4 (sviluppato da OpenAI) e un modello clinico open source chiamato Clinician-LLaMA. L\u2019idea era che i modelli apprendessero a prevedere se un rapporto clinico corrispondeva a un paziente con diagnosi di ASD oppure no<\/strong>, basandosi solo sul testo.<\/p>\n\n\n\n

I risultati sono stati sorprendenti: i modelli hanno raggiunto una notevole precisione nella classificazione<\/strong>, anche quando venivano nascoste informazioni chiave come il sesso o l\u2019et\u00e0 del paziente. Ci\u00f2 suggeriva che i rapporti contenevano schemi linguistici impliciti che i modelli erano in grado di rilevare e che riflettevano il modo in cui i clinici prendono decisioni.<\/p>\n\n\n\n

Cosa hanno scoperto?<\/h2>\n\n\n\n

Oltre alla precisione nella previsione, l\u2019aspetto pi\u00f9 interessante \u00e8 stato ci\u00f2 che i modelli hanno rivelato sul processo diagnostico stesso. Analizzando quali frammenti di testo avevano maggiore peso nelle decisioni del modello, i ricercatori hanno identificato che certi tipi di comportamenti e descrizioni erano pi\u00f9 determinanti<\/strong> di altri.<\/p>\n\n\n\n

Come possiamo osservare nel grafico, i comportamenti ripetitivi, stereotipati, gli interessi ristretti e gli aspetti legati alla percezione sensoriale sono stati i fattori pi\u00f9 associati<\/strong> a una diagnosi positiva di ASD. Al contrario, le difficolt\u00e0 nell\u2019interazione sociale, che sono uno dei pilastri tradizionali della diagnosi secondo il DSM-5, si sono rivelate avere un peso minore nei modelli.<\/p>\n\n\n\n

Ci\u00f2 non significa che le difficolt\u00e0 sociali non siano rilevanti, ma che, nella pratica, i clinici sembrano prestare pi\u00f9 attenzione \u2014 forse in modo inconscio \u2014 ad altri modelli comportamentali al momento di decidere se un paziente soddisfa i criteri diagnostici.<\/p>\n\n\n\n

Di seguito, vengono riassunti i principali risultati dello studio<\/strong> in una tabella per facilitarne la comprensione:<\/p>\n\n\n\n

<\/div>\n\n\n\n
Aspetto analizzato<\/strong><\/td>Risultato \/ Osservazione<\/strong><\/td><\/tr>
Modello utilizzato<\/strong><\/td>GPT-4 e Clinician-LLaMA (modelli linguistici addestrati con rapporti clinici).<\/td><\/tr>
Fonte dei dati<\/strong><\/td>Oltre 40.000 rapporti clinici pediatrici del sistema sanitario pubblico del Massachusetts.<\/td><\/tr>
Compito del modello<\/strong><\/td>Prevedere se il paziente avesse una diagnosi di autismo basandosi solo sul testo del rapporto.<\/td><\/tr>
Precisione del modello<\/strong><\/td>Alta, anche quando venivano nascoste variabili come sesso o et\u00e0.<\/td><\/tr>
Fattori pi\u00f9 determinanti nella diagnosi<\/strong><\/td>Comportamenti ripetitivi, interessi ristretti e caratteristiche sensoriali\/percettive.<\/td><\/tr>
Fattori meno determinanti<\/strong><\/td>Difficolt\u00e0 nell\u2019interazione sociale.<\/td><\/tr>
Implicazione chiave<\/strong><\/td>Nella pratica clinica, i comportamenti osservabili influenzano pi\u00f9 del previsto.<\/td><\/tr>
Possibile impatto sui criteri diagnostici<\/strong><\/td>Suggerisce la necessit\u00e0 di rivalutare il peso di certi criteri nel DSM-5.<\/td><\/tr>
Applicazione dell\u2019IA nella salute mentale<\/strong><\/td>Come strumento di supporto diagnostico e analisi del ragionamento clinico.<\/td><\/tr><\/tbody><\/table>
Tabella 1. Riepilogo dei principali risultati dello studio. Elaborazione propria.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Come si pu\u00f2 osservare, i modelli linguistici non solo sono riusciti a prevedere la diagnosi di ASD con alta precisione, ma hanno anche rivelato che certi schemi comportamentali \u2014 in particolare i comportamenti ripetitivi e gli interessi ristretti \u2014 sono pi\u00f9 influenti nella pratica clinica di quanto suggeriscano i criteri diagnostici tradizionali. Questo apre la porta a una riflessione<\/strong> su come questi criteri vengano applicati nel contesto reale.<\/p>\n\n\n\n

Implicazioni: dobbiamo ripensare i criteri diagnostici dell\u2019autismo?<\/h2>\n\n\n\n

Questi risultati aprono un\u2019importante discussione: i criteri diagnostici attuali riflettono realmente il modo in cui i professionisti valutano i pazienti?<\/strong> <\/p>\n\n\n\n

Se i clinici, in modo sistematico, danno pi\u00f9 importanza ai comportamenti osservabili come le stereotipie o gli interessi ristretti, potrebbe essere necessario rivalutare il peso attribuito a ciascuna categoria diagnostica nelle linee guida ufficiali.<\/p>\n\n\n\n

Inoltre, questo approccio potrebbe avere implicazioni per la formazione di nuovi professionisti<\/strong>, i quali potrebbero beneficiare della comprensione di come i criteri vengano applicati nella pratica reale, al di l\u00e0 della teoria.<\/p>\n\n\n\n

L\u2019intelligenza artificiale pu\u00f2 aiutare nella diagnosi clinica dell\u2019ASD?<\/h2>\n\n\n\n

Una delle grandi promesse dell\u2019intelligenza artificiale nel campo della salute \u00e8 la sua capacit\u00e0 di individuare schemi complessi in grandi volumi di dati. In questo caso, i modelli linguistici non agiscono solo come strumenti di classificazione, ma anche come strumenti che ci permettono di rendere visibile l\u2019invisibile<\/strong>: la logica implicita dietro le decisioni cliniche.<\/p>\n\n\n\n

Lungi dal sostituire i professionisti, questi modelli possono agire come alleati<\/strong>, offrendo un secondo parere basato su migliaia di casi precedenti, e aiutando a individuare bias o incoerenze nei processi diagnostici.<\/p>\n\n\n\n

Dove potrebbe contribuire NeuronUP in studi come questo?<\/h2>\n\n\n\n

NeuronUP potrebbe contribuire in modo significativo a studi come questo facilitando la replicazione in popolazioni pi\u00f9 diverse e non anglofone<\/strong>, grazie alla sua presenza internazionale. La sua piattaforma, con centinaia di attivit\u00e0 cognitive, permetterebbe di integrare l\u2019analisi dei rapporti clinici con dati strutturati sulle prestazioni cognitive. Inoltre, questo approccio potrebbe essere applicato ad altre condizioni cliniche come l\u2019ADHD o il decadimento cognitivo lieve, migliorando la diagnosi precoce e la precisione diagnostica.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n

Prova NeuronUP gratis per 7 giorni<\/h2>\n\n\n\n

Potrai collaborare con le nostre attivit\u00e0, progettare sedute o fare riabilitazione a distanza.<\/p>\n<\/div>\n\n\n\n

\n
\n
Comincia la tua prova<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n
<\/div>\n\n\n\n

Conclusione dello studio<\/h2>\n\n\n\n

Questo studio rappresenta una pietra miliare nell\u2019intersezione tra intelligenza artificiale e salute mentale. Utilizzando modelli linguistici per analizzare rapporti clinici, i ricercatori non solo hanno dimostrato che la diagnosi dell\u2019autismo pu\u00f2 essere prevista con notevole precisione, ma hanno anche rivelato come si costruisce l\u2019\u201cintuizione clinica\u201d che guida queste decisioni.<\/p>\n\n\n\n

In un futuro prossimo, strumenti come questi potrebbero essere integrati nei sistemi sanitari per offrire supporto diagnostico, migliorare la formazione dei professionisti, e forse persino ridefinire i criteri con cui comprendiamo l\u2019autismo. Ci\u00f2 che \u00e8 certo \u00e8 che l\u2019intelligenza artificiale non sta solo trasformando la tecnologia, ma anche il nostro modo di comprendere la mente umana.<\/p>\n\n\n\n

Bibliografia <\/h2>\n\n\n\n