Un recente studio condotto dall’Università di Cincinnati e pubblicato su npj Mental Health Research propone l’utilizzo di algoritmi di machine learning per predire non solo l’uso di sostanze, ma i comportamenti cardine del disturbo definiti dal DSM-5, come la compromissione del controllo e l’uso rischioso.
Il valore di questa ricerca risiede nell’aver utilizzato un set ridotto di sole 15 “variabili di giudizio” (judgment variables). Il sistema ha raggiunto un’accuratezza dell’83% nella previsione dei comportamenti legati al SUD e dell’84% nella determinazione della gravità della dipendenza. Per il personale sanitario, questo strumento rappresenta un passo avanti verso uno screening a basso costo, scalabile e oggettivo, capace di supportare il triage clinico in modo molto più rapido rispetto alle lunghe valutazioni attuali.
L’analisi dei profili decisionali emersi dallo studio offre spunti clinici di grande rilievo: i pazienti con una maggiore gravità del disturbo tendono a mostrare tratti neurocognitivi specifici, come una spiccata propensione al rischio, una minore resilienza alle perdite e una ridotta varianza nelle preferenze. Questi indicatori permettono ai clinici di andare oltre il sintomo manifesto, identificando le costellazioni comportamentali che predispongono alla ricaduta o all’aggravamento della patologia.
In prospettiva, la capacità dell’IA di mappare questi processi decisionali apre la strada a interventi preventivi personalizzati e a un monitoraggio più efficace. Poter prevedere la traiettoria di un disturbo prima che i danni sociali e fisici diventino irreversibili significa trasformare la gestione delle dipendenze da reattiva a proattiva, integrando la potenza del machine learning con la sensibilità dell’intervento umano per ridurre il significativo impatto che i disturbi da uso di sostanze hanno sulla salute pubblica globale.
Fonti
Bari S. et al. Predicting substance use behaviors with machine learning using small sets of judgment and contextual variables. npj Mental Health Res 2026;5:5.