AUTORE PRINCIPALE
Matteo Biasiotti
AFFILIAZIONE
Policlinico Roma Tor Vergata
VALUTA IL CHALLENGE
GRUPPO DI LAVORO
Matteo Biasiotti – Policlinico Roma Tor Vergata, Lazio
AREA TEMATICA
Health Operations/Project Management
ABSTRACT
Il lavoro analizza la patologia della poliabortività ossia la circostanza in cui una coppia subisce più di due eventi abortivi.
Le cause potenzialmente implicabili alla problematica sono numerose ma nonostante ciò nella maggior parte dei casi non si riesce ad evidenziare la causa del fallimento della gravidanza. Tale aspetto mette in luce la possibilità di rappresentare la poliabortività tramite un modello threshold ovvero l’associazione di fattori minori che possono superare un valore soglia anche se presi singolarmente non risulterebbero rilevanti.
Per effettuare una stratificazione del livello di rischio del paziente sono stati utilizzati i dati provenienti dalla UOC di Ginecologia del Policlinico di Tor Vergata divisi in “popolazione sana” (pazienti che hanno subito al massimo un aborto) e “popolazione malata” (pazienti che hanno subito almeno due aborti) seguendo quella che è la definizione delle linee guida. Dopo un’accurata revisione del database è stata effettuata una classificazione tramite il metodo di machine learning chiamato SVM.
Dato che il database offerto dal PTV era fortemente sbilanciato verso la classe delle pazienti classificate come malate è risultata indispensabile un’operazione di bootstrap la quale ha generato ulteriori campioni nella classe minoritaria.
La stratificazione in classi di rischio delle pazienti affette da poliabortività ha lo scopo di:
- – Individuare in maniera schematica e oggettiva un percorso terapeutico tra i diversi a disposizione in base ai risultati della classificazione ottenuta;
- – Garantire una corretta comunicazioni tra medico e pazienti mettendo in luce le possibilità di successo della gravidanza;
- – Individuare le cause che si presentano con più frequenza al fine di approfondire le ricerche nell’ambito;
È stato affrontato il problema con 2 e con 4 classi presentando i risultati d’insieme tramite la matrice di confusione confrontando il valore in uscita dalla classificazione con il suo valore reale. I risultati del singolo paziente sono stati determinati attraverso la funzione di score che nella trattazione a 2 classi era rappresentata da una funzione di distanza offerta dalla SVM e in quella a 4 classi dalla probabilità di appartenenza alla classe (dipendente dalla funzione di distanza usata nel caso a 2 classi).
Questo tipo di approccio al problema vuole fornire uno strumento di Support Decision System grazie al quale essi possano indirizzare le pazienti nei diversi percorsi di accesso alle cure.
