Identificazione, tramite tecniche di Machine Learning, dei fattori di rischio materni, fetali e ostetrici associati all’esito neonatale in bambini nati pretermine

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.