Machine Learning per la predizione dell’outcome riabilitativo e per la scelta della componentistica protesica in pazienti con amputazione transfemorale: alberi decisionali e alberi causali

Il protocollo clinico circa le indicazioni sull’assegnazione di protesi per amputati di arto inferiore con amputazione transfemorale risulta insufficiente e non è sostenuto da criteri di appropriatezza clinica basati sull’evidenza. L’assegnazione delle protesi è, sinora, soggetta ai criteri stabiliti da un’equipe multidisciplinare. Oltre a ciò, non esiste nessun tipo di strumento capace di prevedere l’evoluzione della performance fisica del paziente nel percorso di riabilitazione. Il progetto MOTU - nato dalla collaborazione tra l’Istituto di BioRobotica della Scuola Superiore Sant’Anna di Pisa, la Fondazione Don Gnocchi di Firenze e il Dipartimento di Ingegneria dell’Energia Elettrica e dell’Informazione “Guglielmo Marconi” dell’Università di Bologna – ha consentito la realizzazione di un data set per uno studio retrospettivo sul patrimonio informativo a disposizione del Centro Protesi INAIL di Vigorso di Budrio. Tale data set costituisce la base ideale su cui implementare un recommender system capace di predire outcome riabilitativi e specifici criteri di assegnazione dei diversi sistemi protesici. Nell’ambito di questa tesi sono stati implementati tre recommender systems diversi, basati sugli algoritmi CART, albero causale adattivo e albero causale onesto. Il mean squared error (MSE) riferito all’albero CART ha ottenuto valori ottimali utilizzando come features tutti i valori dei test e le diverse categorie di ginocchio. Tramite i due alberi causali sono stati ricavati risultati sugli effetti dei trattamenti considerati (protesi elettronica e protesi non elettronica). L’albero causale adattivo ha prodotto eterogeneità dei trattamenti su tutti i data set diversi utilizzati, mostrando un MSE minimo per il modello creato tramite l’amputee mobility predictor (AMP) in ingresso come feature. L’albero causale onesto però, non è riuscito a individuare sottogruppi utilizzando tutti i diversi data set in ingresso, non specificando nessuna eterogeneità dei trattamenti.