IDENTIFICAZIONE DI GRUPPI CARDIACI FISIOLOGICI UTILIZZANDO TECNICHE DI MACHINE LEARNING NON SUPERVISIONATE

In soggetti sani un cuore è un organo che trasporta sangue in tutto il corpo tramite le sue quattro camere: gli atri sinistro e destro nella parte superiore e i ventricoli sinistro e destro nella parte inferiore. Tra queste strutture, il percorso del sangue è mediato dalle valvole, le quali aiutano a garantire che il sangue si muova in una sola direzione e in momenti specifici del ciclo cardiaco. Per valutare la normale attività delle valvole cardiache da un punto di vista emodinamico e biomeccanico e lo stato delle strutture ad esse inerenti, vi sono importanti test diagnostici. Un esempio è l’ecocardiografia, l’esame più utilizzato ed esaustivo a tal proposito, in quanto si rivela importante per la valutazione di patologie cardiache di tipo valvolare, sotto il profilo strutturale e funzionale. Tuttavia, nell’effettuare test diagnostici di tal genere è fondamentale far riferimento al Computer heart modeling, come strumento principale ed innovativo per facilitare l’interpretazione delle caratteristiche intrinseche all’organo in questione. Pertanto, poiché le decisioni da parte del personale medico sono costruite su tecniche di imaging perlopiù di tipo non invasivo, la richiesta di modelli cardiaci 3D aumenta sempre di più col passare degli anni, in quanto essi forniscono informazioni specifiche e precise per ogni paziente e offrono la simulazione di dinamiche cardiache complesse al fine di conseguire un miglioramento sotto il profilo diagnostico, terapeutico e interventistico. In questa tesi viene proposta l’analisi statistica di un database contenente 94 modelli di cuore 3D acquisiti a partire dallo svolgimento di test di tomografia computerizzata. Di ognuno di essi, riconducibili a soggetti maschi e femmine, si hanno a disposizione diversi parametri cardiaci, ricavati a partire dall’individuazione di quattro punti di riferimento anatomici: l’apice del cuore e i centri delle valvole polmonare, mitrale e tricuspide. Gli strumenti utilizzati per l’indagine statistica in questione sono stati applicati prevalentemente con l’uso del Software Matlab (vers. R2023b) e insieme ad essi è stata mostrata l’importanza del dendrogramma, come uno dei migliori grafici interpretativi da applicare all’interno delle tecniche di clustering. Il clustering si presenta, di fatto, come un’eccellente soluzione all’abbondanza dei dati sanitari che circolano quotidianamente all’interno del settore medico e non solo, in quanto consente un raggruppamento specifico degli stessi in base alle caratteristiche d’interesse. In merito a quelli che saranno i futuri sviluppi nell’ambito del Computer heart modeling, col passare degli anni ci saranno valutazioni sempre più accurate, efficienti e standardizzate nel settore clinico. L’obiettivo in questo settore è quello di garantire una particolare gestione del cuore umano attraverso tecniche di imaging sempre più evolute e algoritmi di apprendimento perlopiù automatici.