{"id":39781,"date":"2025-04-22T10:08:35","date_gmt":"2025-04-22T08:08:35","guid":{"rendered":"https:\/\/neuronup.com\/?p=39781"},"modified":"2026-07-10T11:40:24","modified_gmt":"2026-07-10T09:40:24","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":"Possono i modelli di linguaggio tipo ChatGPT aiutare a diagnosticare l’autismo?"},"content":{"rendered":"\n

In questo articolo, la dottoranda Marta Arbizu G\u00f3mez espone lo studio \u00abLos grandes modelos ling\u00fc\u00edsticos deconstruyen la intuici\u00f3n cl\u00ednica para diagnosticar el autismo\u00bb<\/em>, in cui si esplora l’impatto dell’utilizzo di modelli di linguaggio su larga scala per la diagnosi dell’autismo<\/strong>.<\/p>\n\n\n\n

Introducci\u00f3n<\/h2>\n\n\n\n

La diagnosi del disturbo dello spettro autistico (DSA) \u00e8 tradizionalmente un compito complesso, che dipende in larga misura dall’esperienza clinica, dall’osservazione dettagliata e dall’interpretazione di comportamenti diversi. Sebbene esistano linee guida diagnostiche ben definite come il DSM-5, la pratica clinica spesso si guida per \u201cintuito\u201d<\/strong> che i professionisti sviluppano dopo anni di esperienza. Ma cosa succederebbe se potessimo \u201cleggere\u201d quell’intuizione e capirla da un approccio pi\u00f9 oggettivo?<\/p>\n\n\n\n

Un recente studio pubblicato sulla rivista Cell<\/em>, intitolato “Large language models deconstruct the clinical intuition behind diagnosing autism”<\/em>, esplora proprio questa possibilit\u00e0: utilizzare modelli di linguaggio su larga scala<\/strong> (LLMs, dall’inglese) per districare i modelli che i clinici seguono nella diagnosi dell’autismo<\/strong>. I risultati non sono solo sorprendenti, ma potrebbero avere implicazioni profonde su come comprendiamo e realizziamo le diagnosi di DSA oggi.<\/p>\n\n\n\n

El contexto: \u00bfpor qu\u00e9 es necesario revisar la forma en que diagnosticamos el autismo?<\/h2>\n\n\n\n

Il DSA \u00e8 un disturbo dello sviluppo neurologico caratterizzato da difficolt\u00e0 nella comunicazione sociale e da pattern di comportamento e interessi ristretti e ripetitivi<\/strong>. Tuttavia, queste caratteristiche possono manifestarsi con grande variabilit\u00e0 tra gli individui, il che rende la diagnosi un processo sfumato e, talvolta, soggettivo.<\/p>\n\n\n\n

Inoltre, sebbene strumenti diagnostici standardizzati come ADOS o ADI-R forniscano struttura al processo, molte diagnosi si basano su rapporti narrativi scritti dai clinici che hanno osservato il paziente. Cio\u00e8, 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’interno di questi rapporti scritti stanno realmente guidando le decisioni diagnostiche?<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Iscriviti<\/strong>
alla nostra
Newsletter<\/h2>\n\n\n\n
\n
Iscriviti<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

\u00bfQu\u00e9 hicieron los investigadores?<\/h2>\n\n\n\n

Gli autori dello studio hanno raccolto <\/strong>pi\u00f9 di 40.000 referti clinici pediatrici <\/strong>del sistema sanitario pubblico del Massachusetts. Questi rapporti, scritti 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 di linguaggio<\/strong>, inclusi GPT-4 (sviluppato da OpenAI) e un modello clinico open source chiamato Clinician-LLaMA. L’idea era che i modelli imparassero a predire se un referto clinico corrispondeva a un paziente con diagnosi di DSA o no<\/strong>, basandosi solo sul testo.<\/p>\n\n\n\n

I risultati sono stati sorprendenti: i modelli hanno raggiunto una precisione notevole nella classificazione<\/strong>, anche quando venivano nascosti dati chiave come il sesso o l’et\u00e0 del paziente. Questo suggeriva che i rapporti contenevano schemi linguistici impliciti che i modelli potevano rilevare e che riflettevano come i clinici prendono decisioni.<\/p>\n\n\n\n

\u00bfQu\u00e9 encontraron?<\/h2>\n\n\n\n

Oltre alla precisione nella predizione, la cosa pi\u00f9 interessante \u00e8 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

<\/div>\n\n\n
\n
\"Grafico
Grafico 1. Fattori con maggior peso nella diagnosi di DSA secondo i modelli di linguaggio. Elaborazione propria.<\/figcaption><\/figure>\n<\/div>\n\n\n
<\/div>\n\n\n\n

Come si pu\u00f2 osservare nel grafico, i comportamenti ripetitivi, stereotipati, gli interessi ristretti e gli aspetti legati alla percezione sensoriale sono stati i fattori maggiormente associati<\/strong> a una diagnosi positiva di DSA. Al contrario, le difficolt\u00e0 nell’interazione sociale, che sono uno dei pilastri tradizionali della diagnosi secondo il DSM-5, sono risultate avere meno peso nei modelli.<\/p>\n\n\n\n

Questo non significa che le difficolt\u00e0 sociali non siano rilevanti, ma che, nella pratica, i clinici sembrano prestare maggiore attenzione \u2014forse in modo inconscio\u2014 ad altri pattern comportamentali al momento di decidere se un paziente soddisfa i criteri diagnostici.<\/p>\n\n\n\n

Di seguito sono 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><\/th>Risultato \/ Osservazione<\/strong><\/th><\/tr><\/thead>
Modello utilizzato<\/strong><\/td>GPT-4 e Clinician-LLaMA (modelli di linguaggio addestrati con referti clinici).<\/td><\/tr>
Fonte dei dati<\/strong><\/td>Pi\u00f9 di 40.000 referti clinici pediatrici del sistema sanitario pubblico del Massachusetts.<\/td><\/tr>
Compito del modello<\/strong><\/td>Predire se il paziente aveva una diagnosi di autismo basandosi solo sul testo del referto.<\/td><\/tr>
Precisione del modello<\/strong><\/td>Elevata, 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 tratti sensoriali\/percettivi.<\/td><\/tr>
Fattori meno determinanti<\/strong><\/td>Difficolt\u00e0 nell’interazione 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 rivedere il peso di alcuni criteri nel DSM-5.<\/td><\/tr>
Applicazione dell’IA in salute mentale <\/strong><\/td>Come strumento di supporto diagnostico e analisi del ragionamento clinico. <\/td><\/tr><\/tbody><\/table>
Tabella 1. Riepilogo con i principali risultati dello studio. Elaborazione propria.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Come si pu\u00f2 osservare, i modelli di linguaggio non solo sono riusciti a predire la diagnosi di DSA con elevata precisione, ma hanno anche rivelato che certi schemi comportamentali \u2014in 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 vengono applicati nel contesto reale.<\/p>\n\n\n\n

Implicaciones: \u00bfdebemos repensar los criterios diagn\u00f3sticos del autismo?<\/h2>\n\n\n\n

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

Se i clinici, in modo sistematico, attribuiscono maggiore 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 dei nuovi professionisti<\/strong>, che potrebbero beneficiare del comprendere come i criteri vengono applicati nella pratica reale, al di l\u00e0 della teoria.<\/p>\n\n\n\n

\u00bfPuede la inteligencia artificial ayudar en el diagn\u00f3stico cl\u00ednico de TEA?<\/h2>\n\n\n\n

Una delle grandi promesse dell’intelligenza artificiale in ambito sanitario \u00e8 la sua capacit\u00e0 di rilevare pattern complessi in grandi volumi di dati. In questo caso, i modelli di linguaggio non agiscono solo come strumenti di classificazione, ma anche come strumenti che ci permettono di rendere visibile l’invisibile<\/strong>: la logica implicita dietro le decisioni cliniche.<\/p>\n\n\n\n

Lungi dal sostituire i professionisti, questi modelli possono funzionare come alleati<\/strong>, offrendo una seconda opinione basata su migliaia di casi precedenti e aiutando a individuare bias o incoerenze nei processi diagnostici.<\/p>\n\n\n\n

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