ETD

• clinical Phenotyping
• explainable Artificial Intelligence (XAI)
• prosthesis Selection
• Surgical Aortic Valve Replacement
• synthetic Data Sourcing

Background and Objectives: Choosing between a mechanical and a bioprosthetic device in surgical aortic valve replacement (SAVR) presents a complex, long-term clinical challenge. Current clinical guidelines rely heavily on rigid, one-dimensional chronological age thresholds, which often fail to capture individual patient complexity and create significant decisional uncertainty within the 60–70-year grey zone. Furthermore, pooling large-scale real-world datasets to train machine learning (ML) algorithms is severely hindered by strict international data privacy regulations. This study addresses these limitations by developing a ML framework designed to bypass international data silos and formalize prosthesis selection based on high-dimensional patient comorbidity phenotypes rather than age boundaries alone.
Methodology: Utilizing aggregate macroscopic data derived from 39 published international registry studies, a synthetic population of 76,995 patient records was computationally reconstructed ex nihilo. To evaluate the mathematical impact of generative constraints under extreme data scarcity, high-fidelity cohorts were engineered in parallel using a sequential probabilistic Bayesian Chain and an entropy-maximizing Iterative Proportional Fitting algorithm. Classification and Regression Tree (CART) models were then trained on representative patient samples to map the underlying allocation structures. A multi-level validation pipeline was deployed to evaluate structural drift and algorithmic stability. Finally, a literature-informed risk module was integrated to link the discovered clinical phenotypes with dynamic postoperative trajectories.
Conclusions: This proof-of-concept framework demonstrates that a data-driven approach leveraging explainable AI (XAI) can successfully decode the implicit clinical reasoning governing borderline surgical candidates. By demonstrating that comorbidity-driven profiles refine allocation patterns within the intermediate age stratum, this methodology bridges the gap between rigid population-level guidelines and precision surgical care. The study validates generative patient-level data synthesis as a scalable, ethically compliant architecture for international cardiovascular research, establishing a solid foundation for prospective multicenter validation.

Contesto e Obiettivi: La scelta della protesi valvolare (meccanica o biologica) nel trattamento chirurgico della stenosi aortica (SAVR) rappresenta un complesso bilanciamento clinico a lungo termine, particolarmente dibattuto nella "zona grigia" dei pazienti tra i 60 e i 70 anni. Le linee guida attuali si basano su rigide soglie anagrafiche che non riflettono la reale complessità del paziente, mentre l'uso dell'intelligenza artificiale su scala globale è ostacolato dalle severe normative sulla privacy che isolano i dati clinici. Questo studio introduce un framework di Machine Learning (ML) per mappare le decisioni chirurgiche reali e formalizzare la scelta protesica basandosi sul fenotipo clinico e di multi-morbilità del paziente anziché sulla sola età cronologica.
Metodologia: Partendo dai dati macroscopici aggregati di 39 studi da registri internazionali, è stata ricostruita ex nihilo una popolazione sintetica di 76.995 record di pazienti. Per valutare l'impatto dei vincoli matematici in scenari di scarsità di dati, le coorti sono state generate in parallelo tramite due algoritmi distinti: una Bayesian Chain sequenziale e un modello deterministico Iterative Proportional Fitting. Su questi campioni sono stati addestrati modelli ad albero di decisione (CART) per decodificare la logica di allocazione delle valvole. Un protocollo di validazione avanzato ha valutato la stabilità strutturale del sistema, integrando infine un modulo di moltiplicatori di rischio per personalizzare le traiettorie prognostiche post-operatorie.
Conclusioni: Questo lavoro dimostra che l'applicazione dell'intelligenza artificiale spiegabile permette di formalizzare efficacemente il ragionamento clinico implicito nell'arbitrare i casi chirurgici borderline, offrendo uno strumento di precisione che supera i limiti delle linee guida standard. Inoltre, lo studio convalida la metodologia di sintesi dei dati a livello di paziente come un'architettura scalabile, sicura ed eticamente conforme per la ricerca cardiovascolare internazionale, ponendo le basi per future validazioni cliniche multicentriche.