L’ictus, una delle principali cause di mortalità e disabilità, provoca disfunzioni diverse a seconda della localizzazione delle lesioni cerebrali. La complessa relazione tra lesioni e sintomi spesso sfugge ai metodi di analisi lineare. Comprendere tali connessioni può fornire informazioni preziose per migliorare l’assistenza ai pazienti, ottimizzare le strategie riabilitative e rivelare principi fondamentali del funzionamento del cervello sano. Questo studio introduce un nuovo framework non supervisionato per stratificare i pazienti in sottogruppi clinicamente coerenti sulla base dei profili sintomatologici comportamentali e per identificare i loro distinti correlati neurali. Le valutazioni NIHSS vengono modellate come vettori di caratteristiche ordinali, integrando prevalenza, gravità e pattern di covarianza dei sintomi in una misura unificata di similarità comportamentale tra i sopravvissuti all’ictus. La rete di similarità risultante viene quindi suddivisa mediante Repeated Spectral Clustering, che accumula evidenze di partizione per scoprire sottogruppi stabili. L’analisi voxel-wise delle lesioni evidenzia successivamente le firme neuroanatomiche collettive di ciascun sottogruppo. Nonostante siano stati identificati in maniera completamente non supervisionata e basata esclusivamente sui punteggi NIHSS, i cluster emergenti corrispondono a sindromi ben documentate, validando così i raggruppamenti sintomatologici puramente data-driven in parallelo con le conoscenze neurologiche consolidate. I cluster mostrano voxel critici in localizzazioni anatomiche specifiche per gruppo, anche quando le mappe medie delle lesioni si sovrappongono spazialmente, suggerendo che il nostro metodo riesca a disentanglare substrati funzionalmente distinti all’interno di territori vascolari condivisi. Il nostro workflow rappresenta un significativo avanzamento metodologico, offrendo approfondimenti robusti e clinicamente rilevanti sulla fenotipizzazione dei sintomi e sui pattern di lesione. La trasparenza matematica del framework e la sua validazione rispetto alle conoscenze canoniche ne sottolineano il potenziale di generalizzazione a biomarcatori multimodali e a ricerche biomediche più ampie.
Per favorire la riproducibilità, forniamo codice open-source.
Sostieni la ricerca
