Metodi di machine learning per la valutazione del dolore tramite l'elaborazione di segnali fisiologici

Tra i sintomi provati dai pazienti con sclerosi multipla (SM), malattia cronica del sistema nervoso centrale, il dolore risulta essere uno di quelli che maggiormente influenza la qualità della vita e il benessere, anche psicologico, del paziente. Nella pratica clinica, il dolore viene valutato sulla base di una stima soggettiva da parte del paziente, utilizzando principalmente scale e questionari. Tali strumenti presentano diversi limiti, in quanto possono essere influenzati da aspetti emotivi e amministrati solo da pazienti in grado di comunicare verbalmente il proprio stato. Dal momento che l’esperienza dolorosa innesca meccanismi che portano alla modifica di alcune funzioni fisiologiche, negli ultimi anni la ricerca scientifica si è mossa verso lo sviluppo di metodi di valutazione del dolore basati sull’elaborazione di segnali fisiologici. Tali approcci danno la possibilità di avere una stima oggettiva del dolore esperito, che prescinde dalla comunicazione verbale. Nel presente lavoro di tesi è stata condotta un’analisi esplorativa su segnali registrati mediante sensori indossabili su pazienti con SM in relazione al dolore esperito. Da ogni segnale (PPG, EDA, temperatura superficiale e segnale accelerometrico) sono state ricavate diverse feature, su cui è stata condotta un’analisi qualitativa per valutare eventuali pattern al variare dell’intensità e del tipo di dolore esperito (nocicettivo vs neuropatico). Le stesse features sono state poi utilizzate per addestrare degli algoritmi di machine learning per la classificazione binaria in “dolore lieve” e “dolore moderato”. Dall’analisi qualitativa sono emersi andamenti concordi in base al tipo di dolore, con le features dell’EDA maggiormente sensibili all’intensità del dolore. Applicando diverse strategie per la fase di features selection e di addestramento, gli algoritmi di ML presentano in generale valori di sensibilità superiori a quelli di specificità, con valori di accuratezza fra il 55% e il 75%.