Tesi etd-10242025-160530 |
Link copiato negli appunti
Tipo di tesi
Tesi di specializzazione (4 anni)
Autore
BALDINI, MARCO
URN
etd-10242025-160530
Titolo
Modelli di machine learning per la previsione dell'outcome nell'ictus ischemico trattato con terapie riperfusive: uno studio monocentrico.
Dipartimento
MEDICINA CLINICA E SPERIMENTALE
Corso di studi
NEUROLOGIA
Relatori
relatore Prof. Baldacci, Filippo
Parole chiave
- machine learning
- outcome
- stroke
Data inizio appello
12/11/2025
Consultabilità
Non consultabile
Data di rilascio
12/11/2028
Riassunto
Introduzione - L’ictus ischemico rappresenta una delle principali cause di disabilità a lungo termine, rendendo cruciale la previsione precoce degli outcome funzionali per orientare la gestione terapeutica e riabilitativa. Negli ultimi anni, l’uso di algoritmi di machine learning ha mostrato promettenti risultati nella stratificazione prognostica personalizzata, superando in alcuni casi i score tradizionali come il THRIVE score.
Materiali e metodi - L’obiettivo di questo studio monocentrico è stato valutare la capacità predittiva di diversi modelli di machine learning nel prevedere un outcome funzionale sfavorevole a 3 mesi (definito come modified Rankin Scale >2) in pazienti con ictus ischemico trattati con fibrinolisi sistemica e/o trombectomia.
Sono stati analizzati dati clinici, di imaging e di laboratorio al baseline e dopo 24 ore dall’evento in 805 pazienti. Lo studio si è articolata in tre fasi principali: (1) calcolo del punteggio THRIVE e valutazione delle sue performance, (2) addestramento di modelli di machine learning (regressione logistica multivariata, random forest, deep learning) utilizzando solo le variabili baseline, e (3) integrazione delle variabili a 24 ore per verificare l’eventuale miglioramento nella previzione tramite gli stessi modelli.
Risultati - I tre modelli di machine learning addestrati solo con variabili al baseline hanno ottenuto performance simili tra loro e senza differenze significative rispetto al THRIVE score mentre l'integrazione di variabili a 24 ore ha migliorato le performance di tutti e tre i modelli senza però che emergessero differenze significative tra di essi.
La regressione logistica è risultato quindi essere in questo contesto il modello migliore vista la sua semplicità e facile interpretabilità. Questi risultati evidenziano inoltre come l’integrazione di dati dinamici a 24 ore in modelli di machine learning possa migliorare nettamente le loro performance predittive rispetto all’utilizzo di sole variabili disponibili al baseline.
Materiali e metodi - L’obiettivo di questo studio monocentrico è stato valutare la capacità predittiva di diversi modelli di machine learning nel prevedere un outcome funzionale sfavorevole a 3 mesi (definito come modified Rankin Scale >2) in pazienti con ictus ischemico trattati con fibrinolisi sistemica e/o trombectomia.
Sono stati analizzati dati clinici, di imaging e di laboratorio al baseline e dopo 24 ore dall’evento in 805 pazienti. Lo studio si è articolata in tre fasi principali: (1) calcolo del punteggio THRIVE e valutazione delle sue performance, (2) addestramento di modelli di machine learning (regressione logistica multivariata, random forest, deep learning) utilizzando solo le variabili baseline, e (3) integrazione delle variabili a 24 ore per verificare l’eventuale miglioramento nella previzione tramite gli stessi modelli.
Risultati - I tre modelli di machine learning addestrati solo con variabili al baseline hanno ottenuto performance simili tra loro e senza differenze significative rispetto al THRIVE score mentre l'integrazione di variabili a 24 ore ha migliorato le performance di tutti e tre i modelli senza però che emergessero differenze significative tra di essi.
La regressione logistica è risultato quindi essere in questo contesto il modello migliore vista la sua semplicità e facile interpretabilità. Questi risultati evidenziano inoltre come l’integrazione di dati dinamici a 24 ore in modelli di machine learning possa migliorare nettamente le loro performance predittive rispetto all’utilizzo di sole variabili disponibili al baseline.
File
| Nome file | Dimensione |
|---|---|
La tesi non è consultabile. |
|