Analisi delle associazioni tra prestazioni cognitive ed indici avanzati di neuroimaging in pazienti con declino cognitivo lieve di origine vascolare

Bondavalli, Barbara (2017) Analisi delle associazioni tra prestazioni cognitive ed indici avanzati di neuroimaging in pazienti con declino cognitivo lieve di origine vascolare. [Laurea magistrale], Università di Bologna, Corso di Studio in Ingegneria biomedica [LM-DM270] - Cesena, Documento full-text non disponibile
Il full-text non è disponibile per scelta dell'autore. (Contatta l'autore)

Abstract

L'obiettivo del presente elaborato di tesi è lo studio dell'associazione tra variabili di neuroimaging e variabili neuropsicologiche, tramite analisi statistiche, con particolare attenzione agli indici strutturali in grado di interpretare i punteggi di test neuropsicologici ottenuti da pazienti affetti da deterioramento cognitivo lieve di origine vascolare e patologia dei piccoli vasi cerebrali. I metodi statistici impiegati consistono in analisi di regressione lineare multipla, sviluppati ed automatizzati nel pacchetto SPSS (Statistical Package for Social Science) e classificazione grazie ad algoritmi di machine learning, implementati in ambiente R. Le analisi sono state applicate ad un dataset costituito da 64 pazienti inclusi nel progetto VMCI-Tuscany. Le analisi di regressione e classificazione sono state applicate a tre modelli diversi, in funzione delle variabili esplicative considerate: il primo modello è costituito da variabili volumetriche, mentre gli altri due modelli includono anche indici di diffusione cerebrale, quali Mean Diffusivity (MD) e Fractional Anisotropy (FA). I risultati evidenziano l'importanza dell'indice di diffusione MD della sostanza bianca come predittore significativo del deterioramento cognitivo: in particolar modo la sostanza bianca apparentemente normale e la sostanza bianca totale presentano MD simili, mostrando, come, in questa coorte di pazienti, la segmentazione semi-automatica delle lesioni non sia necessaria. L'applicazione di tecniche di machine learning al test MoCA permette di ottenere un coefficiente di correlazione di Pearson tra i punteggi osservati e quelli stimati dall'algoritmo di Support Vector Machine pari a 0.62. I risultati migliori delle analisi di classificazione, invece, corrispondono a valori di sensibilità e di specificità pari al 71.44% e al 80.56% per il test MoCA e valori di sensibilità e di specificità pari al 71.79% e al 72% per il test TMT-A.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Bondavalli, Barbara
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Mild Cognitive Impairment (MCI),Fractional Anisotropy (FA),Mean Diffusivity (MD),Montreal Cognitive Assessment (MoCA),Trail Making Test A (TMT-A),Magnetic Resonance Imaging (MRI),Diffusion Tensor Imaging (DTI),Machine Learning,Regressione Lineare
Data di discussione della Tesi
5 Ottobre 2017
URI

Altri metadati

Gestione del documento: Visualizza il documento

^