Una notizia degli ultimi giorni sta suscitando grande interesse: un matematico, Max Little, ha messo a punto un test non invasivo ed economico per rilevare la malattia. Gli strumenti di supporto decisionali nelle applicazioni biomediche stanno generando un notevole interesse della ricerca non ultimo a causa del loro potenziale miglioramento dell’assistenza sanitaria. Nello studio (link), sono stati applicati una vasta gamma di algoritmi di elaborazione dei segnali vocali classici e nuovi per valutare la patologia vocale. Il fine ultimo è discriminare le persone con Parkinson dai controlli sani utilizzando la voce. Questo problema di discriminazione binaria ha suscitato interesse negli ultimi anni, con i migliori risultati che riportano circa il 93% di precisione nella classificazione su un sottoinsieme di 22 elementi. Nello studio di Little si dimostra che è possibile raggiungere quasi il 99% di precisione con 10 misure di disfonia. Rispetto agli studi precedenti è stato utilizzato un database esteso che includeva tutte le 195 fonazioni del precedente database e 68 fonazioni aggiuntivo e sono state introdotte molte misure di disfonia recentemente proposte che non erano state precedentemente utilizzate. Come negli studi precedenti, sono state utilizzate SVM (Support Vector Machine) non lineari per mappare le caratteristiche della risposta e RF (Random Forest). Un contributo romanzo in questo lavoro è quello di utilizzare quattro differenti algoritmi di FS (Feature Selection) per trovare un piccolo sottoinsieme di soli 10 elementi dall’originale 132. Ciò ha portato ad un sottoinsieme di funzione informativa per l’attività di classificazione binaria di questo studio, che può anche suggerire le caratteristiche di compromissione della voce più rilevabili nel Parkinson. Tutti gli algoritmi FS hanno funzionato relativamente bene con il compito, ma il RELIEF ha mostrato di essere il sottoinsieme con l’errore di classificazione più basso. Recenti ricerche hanno dimostrato che il RELIEF in questo tipo di applicazione può funzionare molto bene nella pratica, dato che internamente incorpora una classificazione non lineare. Una scoperta interessante è che di tutte le famiglie di misure testato, MFCCs e le misure di rumore del segnale (VFER, HNR, GNE) sembrano essere costantemente selezionati. L’importanza fisiopatologica delle misure del rapporto segnale-rumore è ben nota: è molto probabile che sia l’effetto del rumore aeroacustico amplificato a causa della turbolenza del maggiore flusso d’aria generato, in ultima analisi, dalla chiusura incompleta delle corde vocali. Tuttavia, la selezione del MFCCs è alquanto sorprendente, poiché queste misure sono principalmente sensibili al controllo insufficiente nel collocamento costante degli articolatori, che amplificano risonanze acustiche specifiche e attenuare gli altri nel tratto vocale. Questo può indicare che sono necessarie ulteriori ricerche sugli effetti del Parkinson sulla compromissione articolatoria del tratto vocale anche per fonazioni sostenute. L’SVM ha un chiaro ruolo verso la RF inr questa particolare applicazione. E’stata anche verificata l’osservazione di Breiman che modificando il parametro RF (il numero di caratteristiche su cui cercare di costruire ogni ramo di ogni albero), non produce risultati nettamente diversi per l’accuratezza complessiva della classificazione RF. Alcuni studi empirici hanno paragonato SVM e RF senza che sia risultata una chiara superiorità complessiva di entrambi gli approcci, anche se è ben stabilito che entrambi i classificatori forniscano in generale buone prestazioni. Recentemente è stato suggerito che può essere utile suddividere i dati secondo il genere (mappando le misure di disfonia in una metrica clinica che quantifica la gravità media dei sintomi della malattia di Parkinson). Questo richiederebbe un sottoinsieme ed una classificazione del tutto diverse per i maschi verso le femmine. Tuttavia, la riduzione dei dati disponibili dividendo il dataset originale in due sottoinsiemi diminuisce la potenza statistica delle valutazioni delle prestazioni. Quando i ricercatori hanno tentato di suddividere i dati in base al genere hanno ottenuta una ridotta precisione delle prestazioni. Con più dati è possibile che il partizionamento (che può o non può essere limitato al genere) possa portare a interessanti spunti di riflessione. Ad esempio, il partizionamento dei dati per genere potrebbe fornire una conoscenza delle caratteristiche più utili per i maschi verso le femmine che non per quanto riguarda la discriminazione dei parkinsoniani vero i controlli sani, come già in altri studi. In ogni caso lo studio è un passo avanti verso l’obiettivo più ampio di acquisizione di tecnologie per il supporto diagnostico e decisionale nel Parkinson. Allo scopo di aumentare la casistica gli autori stanno reclutando volonari, sia sani che ammalati, e sperano di poter effettuare l’esame vocale anche in ambienti non controllati acusticamente si da poter implementare un test semplice, rapido e poco costoso.