Dispositivi indossabili e intelligenza artificiale mostrano i primi segnali promettenti per individuare il declino cognitivo, ma la validazione resta indietro
Una revisione sistematica di 49 studi collega il sonno disturbato e l'alterazione dei ritmi di riposo-attività a un peggioramento delle funzioni cognitive. I modelli di intelligenza artificiale raggiungono AUC comprese tra 0,70 e 0,95, ma mancano di validazione esterna.
Riepilogo
Questa revisione sistematica ha riunito 49 studi (2020-2025) sull'uso dei dati derivati da dispositivi indossabili per la diagnosi precoce del deterioramento cognitivo e della demenza. La maggior parte degli studi ha utilizzato l'actigrafia di livello scientifico e la maggior parte delle analisi era di tipo statistico. Sonno frammentato, ritmi circadiani indeboliti e attività irregolare sono risultati associati a una cognizione peggiore, con dimensioni dell'effetto da modeste a moderate. I modelli di machine learning e deep learning hanno riportato valori di AUC di circa 0,70-0,95. Solo circa un quarto degli studi ha affrontato direttamente la diagnosi precoce o la prevenzione attraverso la stima del rischio o la previsione. I campioni erano spesso di piccole dimensioni, il monitoraggio era breve e la validazione esterna era limitata. Le evidenze sono di tipo associativo e riguardano per lo più la diagnosi o la stratificazione del rischio; non dimostrano che i dispositivi indossabili migliorino gli esiti clinici. La revisione non era stata preregistrata e non ha condotto una metanalisi dei risultati.
Riepilogo Dettagliato
I test cognitivi standard come MMSE e MoCA sono episodici, quindi possono non cogliere i cambiamenti graduali che precedono la demenza. I dispositivi indossabili possono registrare in modo passivo sonno, attività e ritmi circadiani per lunghi periodi, e l'intelligenza artificiale potrebbe trasformare questi flussi di dati in biomarcatori digitali per una individuazione più precoce del rischio. Questa revisione si è chiesta quanto le evidenze sostengano questa idea.
Gli autori hanno cercato su PubMed, Scopus, ACM Digital Library e SpringerLink studi sull'uomo sottoposti a revisione paritaria, pubblicati tra gennaio 2020 e dicembre 2025. I partecipanti avevano un'età media di almeno 50 anni, i dati dei dispositivi indossabili coprivano almeno 24 ore e gli esiti cognitivi erano validati. Due revisori hanno selezionato gli studi e valutato il rischio di bias. La revisione non è stata registrata prospetticamente. Poiché dispositivi, esiti e metodi variavano molto, non è stata condotta alcuna meta-analisi, ma solo una sintesi narrativa.
Sono stati inclusi 49 studi, con dimensioni campionarie da 14 a 91.948 (oltre 200.000 in totale, mediana 145). Ha predominato l'attigrafia di livello scientifico (43/49), mentre i dispositivi commerciali compaiono in 7 studi. L'MMSE è stato l'esito più comune (18/49). La maggior parte delle analisi era statistica (36/49), con 7 che usavano il machine learning e 6 il deep learning. Il disegno era diviso tra studi trasversali (21) e studi di coorte longitudinali (24). La maggior parte degli studi è stata valutata a basso rischio di bias (circa il 69-71%, con l'articolo che riporta cifre leggermente diverse).
Le analisi statistiche hanno associato sonno disturbato, ritmi circadiani frammentati e attività irregolare a una cognizione peggiore, con dimensioni dell'effetto da modeste a moderate. I classificatori di machine learning e deep learning hanno riportato AUC di circa 0,70-0,95. Circa un quarto degli studi (13/49) ha affrontato l'individuazione precoce o la prevenzione tramite stima longitudinale del rischio o modelli predittivi. Il resto erano risultati correlazionali indiretti.
Il segnale è un marcatore comportamentale di rischio e funziona a livello di individuazione e stratificazione. La revisione non dimostra che un intervento guidato dai dispositivi indossabili modifichi gli esiti cognitivi o l'incidenza di demenza. Tra i limiti: campioni ridotti, monitoraggio breve, validazione esterna limitata e ampi intervalli di AUC che probabilmente riflettono disegni più deboli nella parte bassa. Le grandi coorti (47.000-92.000 partecipanti) hanno pesato molto sulle cifre aggregate. È inoltre possibile una causalità inversa, poiché la neurodegenerazione precoce può a sua volta alterare sonno e ritmi. I biomarcatori da dispositivi indossabili meritano di essere seguiti, ma non sono ancora validati per lo screening individuale.
Risultati Principali
- 49 studies (2020-2025) included; 87.8% used research-grade actigraphy and 14.3% used commercial wearables.
- Disrupted sleep, circadian fragmentation and irregular activity were associated with worse cognition, with modest-to-moderate effect sizes.
- Machine and deep learning classifiers reported AUCs of about 0.70-0.95; external validation was limited.
- Only 13/49 studies (26.5%) addressed early detection or prevention via longitudinal risk estimation or prediction.
- No meta-analysis was possible; the review was not preregistered, and evidence of improved outcomes from wearable-guided action is absent.
Metodologia
Revisione sistematica condotta secondo le linee guida PRISMA 2020 su quattro database, con screening e valutazione del rischio di bias eseguiti in doppio da revisori indipendenti (ATCS, Newcastle-Ottawa, Cochrane, QUADAS-2). Sintesi esclusivamente narrativa, a causa dell'eterogeneità degli studi; non preregistrata. L'ampiezza dei campioni variava da 14 a 91.948 partecipanti.
Limitazioni dello Studio
Gli studi inclusi avevano spesso campioni di piccole dimensioni, un monitoraggio di breve durata e una validazione esterna limitata, e le associazioni potrebbero riflettere una causalità inversa. L'eterogeneità ha impedito l'aggregazione dei dati, la revisione non era stata registrata e la ricerca era limitata alla lingua inglese, con 15 report non reperibili. Le AUC riportate coprono un ampio intervallo e potrebbero essere ottimistiche, data la limitata validazione esterna.
Ti è piaciuto questo riepilogo?
Ricevi ogni settimana le ultime ricerche sulla longevità direttamente nella tua casella email.
Inserisci la tua email per iscriverti:
