Potenzialità diagnostiche di un pannello di parametri acustici nei pazienti con disfonia: un modello di machine learning basato sulla cluster analysis

Introduzione: La disfonia è un’alterazione qualitativa e/o quantitativa della voce parlata che consegue ad una modificazione strutturale e/o funzionale di uno o più organi coinvolti nella sua produzione o ad una inadeguatezza delle relazioni dinamiche tra le diverse componenti dell’apparato pneumo-fono articolatorio. Considerando la rilevanza epidemiologica della disfonia e l’impatto relativo alla salute e alla QoL, risulta necessario sviluppare approcci diagnostici integrati e multidimensionali, con la finalità di personalizzare la gestione terapeutica e riabilitativa di tale fenomeno. Materiali e metodi: Lo studio presenta un disegno osservazionale retrospettivo, basato sull’analisi dei dati raccolti dalla documentazione clinica dei pazienti inclusi. L’analisi condotta in questo elaborato sperimentale interessa un campione di 268 pazienti con diagnosi di disfonia. In particolare, sono state esaminate le cartelle elettroniche presenti nel gestionale dell’Ospedale Ca’ Foncello di Treviso, presso U.O.C Foniatria e Audiologia dell’Università di Padova/AULSS2 e i relativi tracciati acustici tramite il software CSL (Computerized Speech Lab), Model 4500B. Sono stati inclusi nello studio tutti i pazienti che presentano diagnosi foniatrica sulla base delle categorie eziologiche considerate e disfonia documentata tramite valutazione percettiva della voce. Dal presente studio sono stati esclusi i pazienti sottoposti ad intervento di laringectomia totale e i soggetti che non hanno prestato consenso di partecipare allo studio. L’analisi statistica è stata condotta utilizzando tecniche di machine learning basate sulla cluster analysis. Risultati: Il campione analizzato si compone di 268 pazienti con un’età media di 50,6 (range 7-84 anni). La distribuzione per genere evidenzia una prevalenza femminile all’interno del campione (72% donne, 28% uomini). L’analisi statistica ha portato all’identificazione di quattro cluster, determinati da variabili spettro-acustiche, rispettivamente: Jitter, Shimmer e Tempo massimo fonatorio (MPT). Il test chi-quadrato di Pearson ha mostrato una differenza statisticamente significativa nella distribuzione delle categorie diagnostiche nei quattro cluster identificati (p=0.000). Il test di Kruskal-Wallis ha rilevato differenze significative relative all’associazione tra i cluster e gli outcome fonatori (parametri percettivi e VHI-10). La validità interna del modello è stata indagata con l’indice di Calinski-Harabasz, il cui valore è di 155.81 e con un tasso di errore di 0%. Conclusioni: L’individuazione di sottogruppi di pazienti omogenei e clinicamente distinti in base ai pattern acustici e percettivi, suggerisce la potenziale applicabilità di questa metodologia nella pratica clinica logopedica come supporto alla diagnosi differenziale delle disfonie e al monitoraggio dell’efficacia riabilitativa; quindi, del miglioramento vocale inter e post-trattamento. In prospettiva, questo modello potrebbe portare alla creazione di strumenti predittivi, al fine di stimare la gravità del disturbo o la possibile risposta al trattamento. Per confermare, approfondire e ampliare i risultati emersi dal presente elaborato, si ritiene fondamentale realizzare studi prospettici al fine di ridurre il rischio di bias legati alla documentazione clinica.