Tipo di tesi
Tesi di laurea magistrale
Titolo
Multi-Omic, Multi-Model Computational Analytical Framework for Severity Prediction in Fontan Associated Liver Disease
Corso di studi
BIOTECHNOLOGIES AND APPLIED ARTIFICIAL INTELLIGENCE FOR HEALTH
Parole chiave
- ai
- artificial_intelligence
- congenital_disease
- fald
- Fontan
- heart
- heart_disease
- LASSO
- liver
- liver_disease
- machine_learning
- mass_spectrometry
- MS/MS
- omics
- statistics
- SVM
- UHPLC
Data inizio appello
08/06/2026
Consultabilità
Non consultabile
Data di rilascio
08/06/2096
Riassunto (Inglese)
The project aims to charachterize the severity of FALD (Fontan Associated Liver Disease) patients in a single-center cohort study by the in-parallel application of Machine-Learning based models over clinical, radiological, inflammatory and omic (lipidomic and metabolomic) data, with focus on the three main physiopathologically-supported target variables (VAST score, NYHA index, Liver Stiffness measurement).
The project features both in-lab analysis (lipidomic and metabolomic assessment) and computationally-driven data analysis and model application.
Results yield a panel of the most informative selected predictors towards each target variable, provided in form of selection frequencies and AUC graphical comparison, justifying the models performance and the predictors contribution.
Physiopathological interpretation with focus over the investigation of altered biological pathways is contestually provided to characterize the FALD physiology.
Riassunto (Italiano)
Il progetto mira a caratterizzare la gravità della FALD (malattia epatica associata alla sindrome di Fontan) in uno studio di coorte monocentrico mediante l'applicazione in parallelo di modelli basati sul Machine Learning a dati clinici, radiologici, infiammatori e omici (lipidomici e metabolomici), con particolare attenzione alle tre principali variabili target supportate da analisi fisiopatologiche (punteggio VAST, indice NYHA, misurazione della rigidità epatica).
Il progetto prevede sia analisi in laboratorio (valutazione lipidomica e metabolomica) sia analisi dei dati e applicazione di modelli tramite metodi computazionali.
I risultati forniscono un pannello dei predittori più informativi per ciascuna variabile target, presentati sotto forma di frequenze di selezione e confronto grafico dell'AUC, a giustificazione delle prestazioni dei modelli e del contributo dei predittori.
Viene inoltre fornita un'interpretazione fisiopatologica, con particolare attenzione all'indagine delle vie biologiche alterate, per caratterizzare la fisiologia della FALD.
