Alberi decisionali in cardiotocografia utilizzando il pH ematico come gold standard

Lo scopo di questa tesi è quello di individuare un sistema oggettivo, che attraverso l’utilizzo degli alberi decisionali, attui una classificazione, tra feti sani e patologici, in base al pH ematico, partendo dall’analisi delle caratteristiche di un tracciato CTG. Lo sviluppo prenatale è caratterizzato dalla fase embrionale, in cui hanno luogo i progressi più evidenti, e da quella fetale, in cui avviene il differenziamento e lo sviluppo di tessuti e organi. Il fine principale della diagnosi prenatale è di individuare la popolazione a rischio: l’identificazione precoce del neonato ad alto rischio è estremamente importante per ridurre la mortalità neonatale. Spesso, durante il travaglio, si verifica ipossiemia, generalmente ben tollerata, tuttavia c’è la possibilità che si instauri un quadro di ipossia, con successiva eventuale acidosi metabolica (valutabile dalla misurazione del pH ematico fetale). La cardiotocografia (CTG) è il test clinico usato maggiormente durante la gravidanza o in fase di travaglio, consiste nella registrazione non invasiva e simultanea della frequenza cardiaca fetale e dell'attività uterina materna e dovrebbe essere utilizzata in caso si presenti il rischio di ipossia o di acidosi fetale. L’analisi del tracciato CTG e la sua classificazione si basano sull’identificazione di alcune caratteristiche fondamentali (linea di base, variabilità, accelerazioni, decelerazioni, contrazioni uterine. Un qualunque problema di classificazione può sempre essere trattato, attraverso l’utilizzo dell’intelligenza artificiale, in forma di albero di decisione. Gli alberi decisionali sono una tecnica affidabile ed efficace, facile da capire e da eseguire, particolarmente appropriati per supportare il processo decisionale in medicina. L’alto grado di soggettività nell’interpretazione del tracciato CTG costituisce un limite non trascurabile, l’utilizzo degli alberi decisionali consente di superarlo. 552 registrazioni CTG, sono state classificate in base al valore del pH ematico fetale: sono considerati casi i feti che riportano un valore di pH inferiore a 7.1 (seguendo questo criterio i controlli sono risultati essere 496, mentre 56 i casi). Sono state poi considerate 24 variabili standard cardiotocografiche per ciascuna registrazione. In seguito sono stati identificati, in base a considerazioni cliniche, 6 sets di features differenti. Sono state considerate tre tipologie di albero decisionale: Coarse, Medium e Fine. Per ovviare al problema della differenza del numero di casi e controlli, è stato associato un peso ad ogni classe (pari alla prevalenza della classe opposta). Come algoritmo di apprendimento è stato usato il Node Splitting Rules. I modelli sono stati creati seguendo due metodi di analisi: l’analisi standard comporta la divisione del database in un training dataset (70% dei casi e 70% dei controlli) e in un test dataset (formato dai restanti 30%). È stato effettuato l’addestramento, per le tre tipologie di albero decisionale, dei 6 sets di caratteristiche, tenendo conto dei pesi tra le classi, analogamente è stato usato il metodo della la Cross-Validazione di tipo Leave-One-Out. Per valutare la buona predizione delle classi, per entrambe le analisi, viene analizzata la matrice di confusione di ogni modello e si calcolano alcuni parametri statistici: accuratezza, sensibilità, specificità, valore predittivo positivo, valore predittivo negativo. In generale i risultati riportano accuratezze, specificità e valori predittivi negativi elevati, mentre i valori predittivi positivi e le sensibilità sono, nella maggior parte dei modelli testati, inferiori al 50%, ciò implica un’incapacità nella classificazione corretta dei casi: l’utilizzo di questa tecnica, sebbene risponda alla necessità di trovare un sistema oggettivo che possa superare i limiti dell’interpretazione medica, presenta ancora delle criticità da superare.