Al giorno d’oggi si pone sempre maggiore attenzione verso strumenti informatizzati per il supporto alla decisione clinica; un esempio è quello dell’analisi digitalizzata del tracciato cardiotocografico mediante intelligenza artificiale. La gravidanza si compone di vari stadi a livello biologico e clinico; relativamente alla seconda classificazione, lo stadio fetale rappresenta il momento in cui si sviluppano i vari sistemi e apparati del feto. In particolare il sistema cardiocircolatorio, l’apparato respiratorio ed il sistema nervoso risultano fondamentali per un corretto sviluppo del feto e sono collegati ai risultati ottenuti dal tracciato cardiotocografico. La cardiotocografia, esame svolto in concomitanza al parto per valutare la salute del feto e della madre, mostra nei suoi tracciati la frequenza cardiaca fetale e le contrazioni uterine materne; da un’analisi dei due è possibile ricavare informazioni riguardanti il battito cardiaco del feto. In particolare, si può evincere la presenza di features come bradicardie, tachicardie, accelerazioni, decelerazioni (decelerazioni precoci, variabili, tardive e prolungate). Tali caratteristiche del battito fetale risultano fondamentali dal punto di vista diagnostico, per questo motivo si è considerata la possibilità di sfruttarle per ricavare uno schema che classificasse, in maniera automatizzata, feti che presentassero caratteristiche patologiche e feti sani. Per poter fare ciò, si è valutata l’opzione degli alberi decisionali, intelligenza artificiale utile per classificare una grande mole di dati, in questa specifica applicazione in due classi principali. Gli alberi decisionali suddividono i dati in base a delle features secondo tre metriche, sviluppandosi in nodi, rami e foglie; in questo caso ne sono state utilizzate tre tipologie, Fine, Medium e Coarse, distinguibili in base al massimo numero di suddivisioni presenti nell’albero. Da un database contenente dati di 552 feti, si è imposta una divisione in feti sani e patologici in base al punteggio di Apgar alla nascita, un numero da 1 a 10 indicativo dello stato di salute del neonato. Si è cercato di ricreare una corretta classificazione dei feti tramite gli alberi decisionali, valutando le prestazioni delle tre diverse tipologie ed utilizzando due diversi metodi: l’analisi standard e la cross-validazione. L’analisi standard sfrutta una prima suddivisione del database in due set, uno di training per addestrare l’albero ed uno di testing per valutarne le prestazioni. La cross-validazione, è stata utilizzata quella Leave One Out, addestra l’albero utilizzando inizialmente tutto il database (overall) e successivamente lo suddivide in diversi segmenti e li testa singolarmente con la validazione. I set utilizzati sono stati costruiti seguendo un criterio clinico, andando a diminuire le features utilizzate, togliendo prima le meno gravi e successivamente quelle clinicamente più significative. I risultati mostrano una ottima risposta degli alberi decisionali alla fase di testing o overall, sia per i casi che per i controlli, ma risultano meno soddisfacenti dal punto di vista del testing e della validazione, in quanto l’esiguo numero di casi non ne permette un corretto riconoscimento. Quindi, determinate caratteristiche del battito, generalmente pericolose per lo stato di salute del feto, determinano una possibile divisione tra i feti sani e patologici, ma il database presenta pochi dati troppo standardizzati per poterne effettuare un corretto studio. Inoltre, la difficoltà di classificazione potrebbe essere dovuta ad una scorretta scelta dell’Apgar come gold standard. In conclusione, gli alberi decisionali risultano uno strumento estremamente promettente per studi futuri in ambito della cardiotocografia, che debbano però basarsi su database più eterogenei e valutare l’opzione di modificare il parametro usato come gold standard.

Alberi decisionali in cardiotocografia utilizzando l’indice di Apgar come gold standard

APREA, ELENA
2019/2020

Abstract

Al giorno d’oggi si pone sempre maggiore attenzione verso strumenti informatizzati per il supporto alla decisione clinica; un esempio è quello dell’analisi digitalizzata del tracciato cardiotocografico mediante intelligenza artificiale. La gravidanza si compone di vari stadi a livello biologico e clinico; relativamente alla seconda classificazione, lo stadio fetale rappresenta il momento in cui si sviluppano i vari sistemi e apparati del feto. In particolare il sistema cardiocircolatorio, l’apparato respiratorio ed il sistema nervoso risultano fondamentali per un corretto sviluppo del feto e sono collegati ai risultati ottenuti dal tracciato cardiotocografico. La cardiotocografia, esame svolto in concomitanza al parto per valutare la salute del feto e della madre, mostra nei suoi tracciati la frequenza cardiaca fetale e le contrazioni uterine materne; da un’analisi dei due è possibile ricavare informazioni riguardanti il battito cardiaco del feto. In particolare, si può evincere la presenza di features come bradicardie, tachicardie, accelerazioni, decelerazioni (decelerazioni precoci, variabili, tardive e prolungate). Tali caratteristiche del battito fetale risultano fondamentali dal punto di vista diagnostico, per questo motivo si è considerata la possibilità di sfruttarle per ricavare uno schema che classificasse, in maniera automatizzata, feti che presentassero caratteristiche patologiche e feti sani. Per poter fare ciò, si è valutata l’opzione degli alberi decisionali, intelligenza artificiale utile per classificare una grande mole di dati, in questa specifica applicazione in due classi principali. Gli alberi decisionali suddividono i dati in base a delle features secondo tre metriche, sviluppandosi in nodi, rami e foglie; in questo caso ne sono state utilizzate tre tipologie, Fine, Medium e Coarse, distinguibili in base al massimo numero di suddivisioni presenti nell’albero. Da un database contenente dati di 552 feti, si è imposta una divisione in feti sani e patologici in base al punteggio di Apgar alla nascita, un numero da 1 a 10 indicativo dello stato di salute del neonato. Si è cercato di ricreare una corretta classificazione dei feti tramite gli alberi decisionali, valutando le prestazioni delle tre diverse tipologie ed utilizzando due diversi metodi: l’analisi standard e la cross-validazione. L’analisi standard sfrutta una prima suddivisione del database in due set, uno di training per addestrare l’albero ed uno di testing per valutarne le prestazioni. La cross-validazione, è stata utilizzata quella Leave One Out, addestra l’albero utilizzando inizialmente tutto il database (overall) e successivamente lo suddivide in diversi segmenti e li testa singolarmente con la validazione. I set utilizzati sono stati costruiti seguendo un criterio clinico, andando a diminuire le features utilizzate, togliendo prima le meno gravi e successivamente quelle clinicamente più significative. I risultati mostrano una ottima risposta degli alberi decisionali alla fase di testing o overall, sia per i casi che per i controlli, ma risultano meno soddisfacenti dal punto di vista del testing e della validazione, in quanto l’esiguo numero di casi non ne permette un corretto riconoscimento. Quindi, determinate caratteristiche del battito, generalmente pericolose per lo stato di salute del feto, determinano una possibile divisione tra i feti sani e patologici, ma il database presenta pochi dati troppo standardizzati per poterne effettuare un corretto studio. Inoltre, la difficoltà di classificazione potrebbe essere dovuta ad una scorretta scelta dell’Apgar come gold standard. In conclusione, gli alberi decisionali risultano uno strumento estremamente promettente per studi futuri in ambito della cardiotocografia, che debbano però basarsi su database più eterogenei e valutare l’opzione di modificare il parametro usato come gold standard.
2019
2020-07-24
Decision trees in cardiotocography using Apgar index as gold standard
File in questo prodotto:
File Dimensione Formato  
TESI pdf-pdfa.pdf

Open Access dal 24/07/2023

Dimensione 10.46 MB
Formato Adobe PDF
10.46 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/3329