Previsione di eventi avversi in pazienti in cura intensiva tramite classificazione supervisionata

Abstract

Negli ultimi anni gli strumenti di previsione utilizzati nell'ambito del machine learning vengono sempre di più utilizzati in campo medico. Questi modelli, infatti, sono un utile strumento poichè sono in grado di prevedere, spesso con una buona accuratezza, se il paziente avrà o meno un'anomalia in un tempo predefinito, dando così la possibilità al medico di anticipare l'evento per evitare problemi che in alcuni casi possono essere irreversibili. In questa tesi l'obbiettivo è quello di, utilizzando esclusivamente parametri vitali di pazienti ricoverati in terapia intensiva, effettuare previsione di cali di pressione, detti anche cali ipotensivi. La previsione di questa anomalia, la cui diagnosi si effettua osservando il comportamento della pressione sistolica, può essere cruciale per permettere al medico di somministrare in anticipo farmaci che possono bloccare l'insorgere dell'anomalia. In particolare verranno studiati 2 diversi metodi di estrazione di features dalle serie temporali osservate, che poi verranno utilizzate come input per definire un modello di classificazione binaria.

In recent years, predictive tools used in the field of machine learning have increasingly been applied in the medical domain. These models are a valuable resource as they are often able to predict, with good accuracy, whether a patient will experience an anomaly within a predefined time frame, thus giving doctors the ability to anticipate the event and prevent potentially irreversible issues. In this thesis, the objective is to predict drops in blood pressure, also known as hypotensive episodes, by exclusively using vital signs from patients admitted to intensive care units. The prediction of this anomaly, which is diagnosed by observing systolic blood pressure behavior, can be crucial in allowing the physician to administer drugs in advance to prevent the anomaly from occurring. Specifically, two different methods for feature extraction from the observed time series will be studied, and these features will then be used as input to define a binary classification model.