Algoritmi di machine learning per il monitoraggio in ambito domestico dello stato di pazienti affetti da morbo di Parkinson

Il Parkinson è una malattia degenerativa del sistema nervoso centrale, caratterizzata da un’evoluzione lenta ma progressiva. Coinvolge importanti funzioni vitali come, ad esempio, il controllo dei movimenti e dell’equilibrio. Trattandosi di una malattia nota da migliaia di anni, si sono susseguiti diversi studi che mirano a evidenziarne i dettagli e a trovare eventuali rimedi o soluzioni che possano migliorare la condizione dei pazienti che ne sono affetti. Favorito anche dalla recente pandemia che ha costretto milioni di persone a ridurre gli accessi in ospedale e strutture assistenziali, c’è stato un incremento dell’utilizzo di tecniche teleriabilitative. A tal proposito, è stato sviluppato un sistema chiamato RAPIDO (“teleRiabilitatione per I mAlati di Parkinson In qualsiasi staDiO”), che si occupa proprio di fornire gli strumenti necessari per la teleriabilitazione e il telemonitoraggio di pazienti affetti da Parkinson. Si basa sull’utilizzo di pratici smartwatch che misurano parametri vitali e dati legati alle attività fisiche, i quali potranno poi essere analizzati dal personale ospedaliero che segue i pazienti. Obiettivo di questa tesi è quello di analizzare i dati forniti da ogni smartwatch, relativamente a tutti i soggetti coinvolti nello studio, e, valutare l’efficacia dell’applicazione di algoritmi di tipo supervisionato sul dataset a disposizione Nel primo capitolo vi è una breve trattazione della malattia, con un approfondimento sulla teleriabilitazione e sul progetto RAPIDO. Il secondo capitolo approfondisce la tematica del machine learning. In particolare, si analizzano gli algoritmi supervisionati che sono stati utilizzati nel periodo di tirocinio. Il terzo capitolo è relativo al lavoro di sviluppo realizzato nel tirocinio. I risultati dell’attività svolta e, quindi, dell’uso degli algoritmi di machine learning sono descritti nel capitolo conclusivo. Nonostante dei buoni risultati prestazionali, si evince che, per sfruttare al meglio le potenzialità dei suddetti algoritmi, sarebbe necessaria una quantità di dati ben superiore a quella a nostra disposizione.