Caratterizzazione Non Supervisionata del Disturbo Comportamentale in Sonno REM basata su EEG Non Pre-Elaborato = EEG-based Characterization of REM Sleep Behaviour Disorder: a Stage-agnostic, Unsupervised Approach

Il Disturbo Comportamentale del Sonno REM (RBD) è una parasonnia caratterizzata dalla perdita dell’atonia muscolare fisiologica durante il sonno REM, che spesso porta alla messa in atto dei sogni. Nella sua forma idiopatica, l’RBD è riconosciuto come un marcatore prodromico delle alfa-sinucleinopatie; diversi studi hanno rilevato un tasso di conversione fino al 73.5-96% entro 12-14 anni dalla diagnosi. Nonostante la sua rilevanza clinica e prognostica, l’eterogeneità del disturbo e la progressione della malattia all’interno del gruppo rimane inesplorata. Questo lavoro propone un framework di apprendimento non supervisionato basato su dati EEG del sonno a canale singolo non stadiati, con l’obiettivo di identificare dei sottogruppi all’interno della popolazione affetta da RBD, potenzialmente riflettenti stadi differenti o diverse evoluzioni della malattia. Si sono incluse le registrazioni polisonnografiche (PSG) di 32 soggetti con diagnosi di RBD (27 uomini, età 62.2 ± 6.4 anni). Per ogni registrazione si è selezionato un singolo canale EEG ed è stato utilizzato l’intero segnale, senza suddivisione in fasi, per permettere una visione completa delle dinamiche legate al sonno. Inizialmente, è stato estratto un set di feature in grado di catturare l’attività cerebrale durante la notte e la morfologia del segnale nei domini del tempo, della frequenza e non lineare. Successivamente, le features sono state normalizzate e si è applicata l’Analisi delle Componenti Principali (PCA) per ridurre la dimensionalità, mantenendo solo le variabili più informative. Infine, sono stati applicati diversi algoritmi di apprendimento non supervisionato (clustering k-means, agglomerativo e spettrale) per identificare i sottogruppi di soggetti. Inoltre, è stato estratto l’indice di atonia REM (RAI) dal segnale EMG durante la fase REM ed è stato utilizzato come riferimento clinico della severità del disturbo. L’analisi del clustering ha rilevato due sottogruppi distinti in tutti gli algoritmi applicati, con K-means che mostra la validità interna più elevata (Silhouette score: 0,4), indicando una prestazione moderata. Le componenti della PCA che hanno contribuito alla separazione riflettono le differenze nella complessità del segnale e nel contenuto spettrale, suggerendo pattern variabili di attività cerebrale nel sonno. Nello specifico, un cluster include soggetti con frequenze EEG maggiori, minore regolarità del segnale e valori di RAI inferiori (0.1347 ± 0.208), mentre l’altro mostra andamento opposto e RAI superiori (0.246 ± 0.275). Questi risultati suggeriscono che i sottogruppi identificati differiscono non solo per caratteristiche elettrofisiologiche, ma anche per un marcatore clinico di severità. Il metodo è stato validato su un secondo dataset di 287 soggetti (164 uomini, 51.5 ±17 anni), suddivisi clinicamente in due sottogruppi sulla base di un’analisi visiva. I risultati hanno confermato i pattern del primo dataset, tuttavia, non vi è riscontro con la suddivisione clinica la quale necessita di ulteriore investigazione. Questo studio dimostra la fattibilità dell’utilizzo di tecniche di apprendimento non supervisionato su dati EEG a canale singolo, indipendenti dalle fasi del sonno, per esplorare l’eterogeneità dell’RBD e identificare sottogruppi latenti. Ciononostante, si evidenzia la necessità di ricercare marcatori oggettivi che permettano la coerenza con la classificazione clinica.