{"id":6303,"date":"2022-05-31T17:25:32","date_gmt":"2022-05-31T15:25:32","guid":{"rendered":"https:\/\/www.convegnonazionaleaiic.it\/il-supporto-diagnostico-attraverso-modelli-interpretabili-di-machine-learning-nelle-patologie-cardiologiche-cardiopatia-ischemica-versus-cardiomiopatia-dilatativa\/"},"modified":"2022-05-31T17:25:32","modified_gmt":"2022-05-31T15:25:32","slug":"il-supporto-diagnostico-attraverso-modelli-interpretabili-di-machine-learning-nelle-patologie-cardiologiche-cardiopatia-ischemica-versus-cardiomiopatia-dilatativa","status":"publish","type":"post","link":"https:\/\/www.convegnonazionaleaiic.it\/il-supporto-diagnostico-attraverso-modelli-interpretabili-di-machine-learning-nelle-patologie-cardiologiche-cardiopatia-ischemica-versus-cardiomiopatia-dilatativa\/","title":{"rendered":"IL SUPPORTO DIAGNOSTICO ATTRAVERSO MODELLI INTERPRETABILI DI MACHINE LEARNING NELLE PATOLOGIE CARDIOLOGICHE: CARDIOPATIA ISCHEMICA VERSUS CARDIOMIOPATIA DILATATIVA"},"content":{"rendered":"
\n
\n

\"\"\"\" <\/p>\n

AFFILIAZIONE<\/span>
\n<\/strong>universit\u00e0 degli studi di trieste<\/p>\n

AUTORE PRINCIPALE<\/span>
\n<\/strong> Ajcevic Milos<\/p>\n

\nVALUTA IL CHALLENGE<\/span><\/strong>
Vota<\/nobr><\/td>
<\/div><\/td><\/tr><\/table><\/p>\n<\/div>\n
\n

<\/a><\/p>\n

GRUPPO DI LAVORO<\/span><\/strong>
\n Ajcevic Milos<\/strong> – universit\u00e0 degli studi di trieste, trieste<\/i>
Iscra Katerina<\/strong> – universit\u00e0 degli studi di trieste, trieste<\/i>
Miladinovic Aleksandar<\/strong> – universit\u00e0 degli studi di trieste, trieste<\/i>
Starita Serena<\/strong> – universit\u00e0 degli studi di trieste, trieste<\/i>
Prof. Accardo Agostino<\/strong> – universit\u00e0 degli studi di trieste, trieste<\/i> <\/p>\n

AREA TEMATICA<\/span>
\n<\/strong>Applicazioni innovative di bioingegneria<\/p>\n

ABSTRACT<\/span>
\n<\/strong>La diagnosi differenziale tra cardiopatia ischemica (IHD) e la cardiomiopatia dilatativa (DCM), in particolar modo nelle prime fasi della malattia, pu\u00f2 spesso risultare complessa richiedendo tecniche invasive. La frazione di eiezione del ventricolo sinistro (LVEF) e l\u2019analisi della variabilit\u00e0 cardiaca (HRV) si sono dimostrate due tecniche non-invasive molto utili nella diagnosi di diverse malattie cardiache. Negli ultimi anni l\u2019interesse nell\u2019applicare le tecniche di machine learning per aiutare i clinici nella diagnosi differenziale \u00e8 cresciuto notevolmente. D\u2019altra parte, la maggioranza dei modelli prodotti sono black-box, difficilmente interpretabili dagli esperti clinici.
\nL\u2019obiettivo del progetto era quello di studiare e sviluppare le prestazioni dei modelli interpretabili e clinicamente plausibili applicati per la diagnosi differenziale nelle prime fasi di DCM e IHD basati sui parametri HRV e il valore della LVEF.
\nLo studio comprendeva 313 soggetti: 196 IHD e 117 DCM. I modelli sono stati prodotti mediante tre tecniche di machine learning (l\u2019albero decisionale, la regressione logistica e naive Bayes) considerando il dataset delle features HRV e LVEF selezionate con il metodo information gain.
\nI risultati hanno mostrato che i parametri che portano pi\u00f9 informazione nella classificazione tra IHD e DCM erano LVEF, LF, NN50, pNN50 e meanRR. Il modello naive Bayes con un’accuratezza di classificazione del 73,5% \u00e8 risultato essere migliore rispetto ai modelli ottenuti dall\u2019albero decisionale e dalla regressione logistica con un’accuratezza rispettivamente del 67,4% e del 67,1%. Inoltre, abbiamo dimostrato che i modelli prodotti insieme ai nomogrammi consentono un’interpretazione probabilistica dell’output della classificazione tra IHD e DCM. L\u2019interpretabilit\u00e0 del modello attraverso il nomogramma risulta dunque essere un fattore importante, che consente ai clinici di seguire il processo decisionale del modello e in seguito di supportare la diagnosi differenziale di nuovi soggetti.<\/p>\n

 <\/p>\n