Un gruppo di ricerca coordinato dal KAIST ha sviluppato un sistema di intelligenza artificiale capace di individuare, attraverso i cambiamenti nelle abitudini quotidiane, segnali associati all’avvicinarsi di una diagnosi di malattia cerebrovascolare. Il modello non utilizza immagini mediche, analisi di laboratorio o misurazioni effettuate in ospedale, ma combina dati sulle attività svolte in casa, sul sonno, sui ritmi circadiani e sulle condizioni ambientali degli spazi abitativi.
La sperimentazione è stata condotta sui dati longitudinali di 1.224 persone anziane, raccolti per periodi prolungati all’interno di reali ambienti residenziali. Le registrazioni sono state suddivise in 13.362 campioni, ciascuno corrispondente a una finestra temporale di 14 giorni. Per ogni intervallo il sistema ha analizzato contemporaneamente i livelli di movimento, la distribuzione dell’attività nelle diverse ore della giornata, i periodi di inattività, le caratteristiche del sonno, il ritmo giorno-notte, la temperatura e l’umidità degli ambienti, oltre all’età e alla presenza di patologie croniche.
L’obiettivo non era stabilire semplicemente se una persona appartenesse a una categoria genericamente più esposta, ma riconoscere quando le sue abitudini iniziavano a mostrare una configurazione compatibile con una diagnosi imminente. I ricercatori hanno quindi distinto i dati raccolti nelle quattro settimane precedenti la diagnosi da quelli riferiti a periodi distanti almeno dodici settimane. Il modello ha separato le due condizioni con un’accuratezza del 96,53%, mostrando la possibilità di rilevare variazioni comportamentali molto prima che la situazione venga formalmente identificata in ambito clinico.
Tra i segnali più rilevanti è emersa la presenza di movimenti frequenti tra le 22 e le 2 del mattino, una fascia oraria normalmente associata alla preparazione al sonno e al riposo. Le persone collocate nella fase di rischio più vicina alla diagnosi tendevano a mantenere attività notturne irregolari, ad addormentarsi più tardi e a mostrare una separazione meno netta tra il comportamento diurno e quello notturno.
Un secondo elemento riguardava la fascia compresa tra le 18 e le 22. In questo intervallo il sistema ha rilevato una riduzione più marcata dell’attività fisica e periodi prolungati senza movimento. Il dato non viene interpretato isolatamente, ma come parte di una trasformazione complessiva del ritmo quotidiano: minore attività serale, maggiore irregolarità notturna e progressiva perdita della normale alternanza tra veglia e riposo.
Anche l’ambiente domestico ha contribuito alla classificazione. Una bassa umidità interna è risultata tra le variabili maggiormente associate alla condizione precedente alla diagnosi. Questo non significa che un ambiente secco costituisca da solo una causa o una prova di malattia cerebrovascolare, ma indica che i parametri ambientali possono aumentare la capacità del modello di distinguere configurazioni di rischio quando vengono analizzati insieme ai dati comportamentali, anagrafici e clinici.
Il sistema appartiene alla categoria dell’intelligenza artificiale spiegabile, perché non restituisce soltanto un punteggio o una classificazione. Per ogni valutazione può indicare quali variazioni delle attività, del sonno, dei ritmi circadiani e dell’ambiente abbiano contribuito maggiormente al risultato. Questa caratteristica è essenziale in ambito sanitario, dove un allarme privo di motivazioni comprensibili sarebbe difficilmente utilizzabile da medici, assistenti domiciliari e operatori sociosanitari.
La tecnologia potrebbe essere integrata nei servizi di assistenza agli anziani per eseguire un monitoraggio continuo e non invasivo. Sensori ambientali e dispositivi domestici potrebbero rilevare cambiamenti graduali che, osservati separatamente, apparirebbero poco significativi. L’AI può invece confrontare più settimane di dati, riconoscere deviazioni rispetto alla normale routine della persona e segnalare quando la combinazione degli indicatori suggerisce l’opportunità di una valutazione medica.
Il risultato non rappresenta però una previsione esatta del momento in cui si verificherà un evento cerebrovascolare e non permette di formulare automaticamente una diagnosi. L’accuratezza del 96,53% riguarda la distinzione tra le finestre temporali definite nello studio e non può essere trasferita direttamente a qualsiasi popolazione o contesto assistenziale. Prima di un’applicazione clinica saranno necessari studi prospettici su gruppi più numerosi e diversificati, con una verifica della sensibilità, della specificità, dei falsi allarmi e dell’effettiva capacità del sistema di migliorare gli esiti sanitari.
L’elemento centrale della ricerca è l’impiego della casa come ambiente di osservazione preventiva. Piccole alterazioni del sonno, dell’attività serale e della regolarità circadiana possono essere trasformate in indicatori quantitativi senza richiedere alla persona di eseguire continuamente test o compilare questionari. L’intelligenza artificiale assume così il ruolo di strumento di sorveglianza precoce, destinato non a sostituire la valutazione clinica, ma a riconoscere il momento in cui cambiamenti apparentemente ordinari rendono consigliabile anticipare il controllo medico.