Battaglia, Giacomo Maria Federico
(2025)
Monitoraggio di segnali fisiologici per la valutazione del dolore in pazienti con sclerosi multipla: classificazione mediante algoritmi di machine learning.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Ingegneria elettronica [LM-DM270]
Documenti full-text disponibili:
Abstract
Il dolore è uno dei sintomi più diffusi nei pazienti con sclerosi multipla (SM), malattia cronica neurodegenerativa del sistema nervoso centrale che compromette sensibilmente la qualità della vita. In ambito clinico, la valutazione del dolore si basa su valutazioni soggettive tramite scale 11 e questionari, che presentano limiti legati all’influenza di fattori emotivi e cognitivi. La ricerca ha spostato l’attenzione verso l’analisi di segnali fisiologici registrati mediante sensori indossabili, al fine di ottenere una misura oggettiva del dolore in modo continuativo e pervasivo. Questa tesi propone un'analisi esplorativa dei segnali fisiologici acquisiti in 18 pazienti con SM monitorati per 48 ore. Dai segnali registrati (fotopletismografia, attività elettrodermica, temperatura superficiale e segnale accelerometrico) sono state estratte delle feature, sottoposte ad analisi statistica per identificare differenze significative in relazione alla presenza/assenza di dolore e alla tipologia (nocicettivo (NoP)/neuropatico (NeP)) per diverse finestre temporali. Le feature estratte sono state usate inoltre per addestrare e testare algoritmi di machine learning finalizzati alla classificazione binaria di assenza/presenza e dolore NoP/NeP. I risultati statistici evidenziano che solo poche feature presentano valori significativamente diversi tra le due situazioni dolorose, suggerendo che la variabilità delle feature non sia imputabile solo alla presenza/assenza di dolore o alla tipologia, essendo la risposta dolorosa un evento multifattoriale. La classificazione ha permesso di ottenere nella distinzione NoP/NeP un’accuratezza del 78% (Sensibilità =73%, Specificità = 84%). Nel caso assenza/presenza di dolore, è stata raggiunta un’accuratezza del 77% (Sensibilità = 78%, Specificità = 81%). I risultati ottenuti aprono la strada a nuove strategie di monitoraggio e gestione del dolore, volte a migliorare la qualità di vita dei pazienti
Abstract
Il dolore è uno dei sintomi più diffusi nei pazienti con sclerosi multipla (SM), malattia cronica neurodegenerativa del sistema nervoso centrale che compromette sensibilmente la qualità della vita. In ambito clinico, la valutazione del dolore si basa su valutazioni soggettive tramite scale 11 e questionari, che presentano limiti legati all’influenza di fattori emotivi e cognitivi. La ricerca ha spostato l’attenzione verso l’analisi di segnali fisiologici registrati mediante sensori indossabili, al fine di ottenere una misura oggettiva del dolore in modo continuativo e pervasivo. Questa tesi propone un'analisi esplorativa dei segnali fisiologici acquisiti in 18 pazienti con SM monitorati per 48 ore. Dai segnali registrati (fotopletismografia, attività elettrodermica, temperatura superficiale e segnale accelerometrico) sono state estratte delle feature, sottoposte ad analisi statistica per identificare differenze significative in relazione alla presenza/assenza di dolore e alla tipologia (nocicettivo (NoP)/neuropatico (NeP)) per diverse finestre temporali. Le feature estratte sono state usate inoltre per addestrare e testare algoritmi di machine learning finalizzati alla classificazione binaria di assenza/presenza e dolore NoP/NeP. I risultati statistici evidenziano che solo poche feature presentano valori significativamente diversi tra le due situazioni dolorose, suggerendo che la variabilità delle feature non sia imputabile solo alla presenza/assenza di dolore o alla tipologia, essendo la risposta dolorosa un evento multifattoriale. La classificazione ha permesso di ottenere nella distinzione NoP/NeP un’accuratezza del 78% (Sensibilità =73%, Specificità = 84%). Nel caso assenza/presenza di dolore, è stata raggiunta un’accuratezza del 77% (Sensibilità = 78%, Specificità = 81%). I risultati ottenuti aprono la strada a nuove strategie di monitoraggio e gestione del dolore, volte a migliorare la qualità di vita dei pazienti
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Battaglia, Giacomo Maria Federico
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
INGEGNERIA ELETTRONICA
Ordinamento Cds
DM270
Parole chiave
Valutazione del dolore, segnali fisiologici, sclerosi multipla, sensori indossabili, machine learning
Data di discussione della Tesi
24 Marzo 2025
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Battaglia, Giacomo Maria Federico
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
INGEGNERIA ELETTRONICA
Ordinamento Cds
DM270
Parole chiave
Valutazione del dolore, segnali fisiologici, sclerosi multipla, sensori indossabili, machine learning
Data di discussione della Tesi
24 Marzo 2025
URI
Statistica sui download
Gestione del documento: