Come i segnali elettrici del cervello svelano l’autismo?

Gli scienziati hanno scoperto che l’elettroencefalogramma quantitativo (QEEG) può distinguere i bambini con autismo da quelli tipicamente sviluppati. Hanno analizzato 19 punti di registrazione EEG e calcolato tre misure non lineari: la complessità di Lempel‑Ziv, l’entropia di Tsallis e quella di Rényi. Tutte e tre hanno mostrato differenze significative tra i due gruppi, soprattutto nelle aree legate alla vista. Usando algoritmi di machine learning, i ricercatori hanno raggiunto oltre il 90 % di precisione nel riconoscere l’autismo. Inoltre, una visualizzazione t‑SNE ha evidenziato due “isole” separate: una per i bambini con autismo e una per i loro coetanei tipici. Queste scoperte suggeriscono che le misure di complessità ed entropia, specialmente nei canali visivi, possono diventare biomarcatori oggettivi per diagnosi più rapide e per personalizzare gli interventi di neurofeedback, una terapia che aiuta il cervello a regolare la propria attività elettrica.

Le tre metriche non lineari impiegate nello studio derivano da teorie dell’informazione e della fisica statistica. La complessità di Lempel‑Ziv quantifica la quantità di “nuove sequenze” presenti in un segnale, riflettendo la capacità del cervello di generare pattern variabili. L’entropia di Tsallis, a differenza dell’entropia di Shannon, introduce un parametro q che enfatizza le code della distribuzione, rendendola sensibile a eventi rari tipici di attività cerebrale disordinata. L’entropia di Rényi, con il suo ordine α, permette di pesare diversamente le probabilità, evidenziando differenze di scala tra regioni cerebrali. Nei bambini con ASD, le regioni occipitali mostrano valori più alti di complessità e entropia, indicando una maggiore variabilità e meno prevedibilità dell’attività elettrica durante la elaborazione visiva. Questo potrebbe correlarsi con le difficoltà di integrazione sensoriale tipiche dell’autismo. L’uso di classificatori basati su support vector machine o reti neurali ha permesso di combinare queste metriche in uno spazio multidimensionale, dove la separazione tra gruppi supera il 90 % di accuratezza. La visualizzazione t‑SNE riduce la dimensionalità mantenendo le relazioni di vicinanza, rivelando cluster non lineari che confermano la discriminazione delle regioni visive. Questi risultati aprono la strada a protocolli di neurofeedback mirati: modulando l’attività dei canali occipitali, si potrebbe ridurre la complessità anomala e migliorare la coerenza delle reti cerebrali, potenzialmente alleviando alcuni sintomi dell’autismo.