• analisi predittiva
• complicazioni post operatorie
• esophageal cancer
• learning models
• machine learning
• modelli di apprendimento
• post-operative complications
• predictive analysis
• random forest
• support vector machine
• tumore esofageo

IT:
Questa tesi esplora l'applicazione di modelli di apprendimento automatico per la predizione delle complicanze post-operatorie in pazienti con tumore esofageo. Lo studio si focalizza su tecniche di machine learning, come Random Forest e Support Vector Machine (SVM), per sviluppare modelli predittivi che stimino il rischio di complicanze utilizzando variabili cliniche e intra-operatorie. Il dataset contiene più di 50 variabili, tra cui caratteristiche demografiche e cliniche dei pazienti, e le complicanze sono classificate secondo la scala Clavien-Dindo, uno standard internazionale per valutare la gravità delle complicazioni chirurgiche. I risultati dimostrano che i modelli sviluppati possono fornire un supporto utile nella gestione clinica e ridurre il rischio di complicanze, offrendo al personale medico uno strumento per la pianificazione pre-operatoria e l'intervento tempestivo.
EN:
This thesis investigates the application of machine learning models to predict post-operative complications in patients with esophageal cancer. The study focuses on machine learning techniques such as Random Forest and Support Vector Machine (SVM) to develop predictive models that estimate complication risks using clinical and intra-operative variables. The dataset includes over 50 variables, covering patients' demographic and clinical characteristics, and complications are classified according to the Clavien-Dindo scale, an international standard for assessing the severity of surgical complications. The findings demonstrate that the developed models can be a valuable tool in clinical management, helping reduce complication risks and providing medical staff with guidance for pre-operative planning and timely intervention.