Stelluti, Michele
(2023)
Identificazione, tramite tecniche di Machine Learning, dei fattori di rischio materni, fetali e ostetrici associati all’esito neonatale in bambini nati pretermine.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Informatica [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
| Contatta l'autore
|
Abstract
In questo lavoro di tesi sono state applicate tecniche di Data Analytics ad un dataset medico, utilizzando sia i modelli classici di Machine Learning e sia le Reti Neurali, per predire la Displasia Broncopolmonare (BPD) e la mortalità nei neonati pretermine. Nonostante lo sbilanciamento del dataset e il limitato numero di campioni sono stati ottenuti risultati più promettenti, specialmente in termini di recall, quando si è combinato la BPD con la mortalità invece di utilizzarle singolarmente. Ciò ha contribuito ad aumentare il numero di positivi e risolvere in parte lo sbilanciamento nel dataset. Sono state identificate variabili critiche, tra cui "ELBW", "VM" e “EG”, che hanno dimostrato di essere fondamentali in tutti gli esperimenti, suggerendo una possibile correlazione lineare con le variabili target. La variabile "Sesso" ha dimostrato un significativo impatto negli esperimenti, evidenziando una maggiore suscettibilità alla BPD nei neonati di sesso maschile rispetto a quelli di sesso femminile. Le variabili "IUGR" e "PROM" hanno mostrato maggiore rilevanza nei casi in cui la variabile target era “BPD + Mortalità”. Questo studio fornisce una base per future ricerche, promuovendo il perfezionamento del dataset per poi esplorare modelli più avanzati o complessi. Inoltre, si suggerisce l'ampliamento della raccolta dati da diverse fonti ospedaliere e la possibile adozione di sistemi decentralizzati, come la blockchain, per garantire la sicurezza e la condivisione dei dati, migliorando così la salute dei neonati su scala globale.
Abstract
In questo lavoro di tesi sono state applicate tecniche di Data Analytics ad un dataset medico, utilizzando sia i modelli classici di Machine Learning e sia le Reti Neurali, per predire la Displasia Broncopolmonare (BPD) e la mortalità nei neonati pretermine. Nonostante lo sbilanciamento del dataset e il limitato numero di campioni sono stati ottenuti risultati più promettenti, specialmente in termini di recall, quando si è combinato la BPD con la mortalità invece di utilizzarle singolarmente. Ciò ha contribuito ad aumentare il numero di positivi e risolvere in parte lo sbilanciamento nel dataset. Sono state identificate variabili critiche, tra cui "ELBW", "VM" e “EG”, che hanno dimostrato di essere fondamentali in tutti gli esperimenti, suggerendo una possibile correlazione lineare con le variabili target. La variabile "Sesso" ha dimostrato un significativo impatto negli esperimenti, evidenziando una maggiore suscettibilità alla BPD nei neonati di sesso maschile rispetto a quelli di sesso femminile. Le variabili "IUGR" e "PROM" hanno mostrato maggiore rilevanza nei casi in cui la variabile target era “BPD + Mortalità”. Questo studio fornisce una base per future ricerche, promuovendo il perfezionamento del dataset per poi esplorare modelli più avanzati o complessi. Inoltre, si suggerisce l'ampliamento della raccolta dati da diverse fonti ospedaliere e la possibile adozione di sistemi decentralizzati, come la blockchain, per garantire la sicurezza e la condivisione dei dati, migliorando così la salute dei neonati su scala globale.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Stelluti, Michele
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum B: Informatica per il management
Ordinamento Cds
DM270
Parole chiave
BPD,Displasia Broncopolmonare,Mortalità Neonatale,Pretermine,data analytics,machine learning,deep learning,reti neurali,neonati pretermine
Data di discussione della Tesi
12 Ottobre 2023
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Stelluti, Michele
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum B: Informatica per il management
Ordinamento Cds
DM270
Parole chiave
BPD,Displasia Broncopolmonare,Mortalità Neonatale,Pretermine,data analytics,machine learning,deep learning,reti neurali,neonati pretermine
Data di discussione della Tesi
12 Ottobre 2023
URI
Statistica sui download
Gestione del documento: