Tecniche di Intelligenza Artificiale applicate all'analisi del respiro per la diagnosi precoce delle malattie polmonari

L’analisi del respiro espirato sta divenendo una delle aree più promettenti della diagnostica non invasiva. Lo studio dei composti organici volatili (VOCs) permette di acquisire informazioni rilevanti sui processi metabolici e patologici dell’organismo, aprendo così nuove prospettive per la diagnostica precoce delle malattie polmonari. In questa tesi, sono state approfondite sia le tecnologie di rilevamento degli analiti, come la gascromatografia, la spettrometria di massa e i sistemi E-nose, sia le metodologie computazionali di analisi statistica di machine learning per la classificazione dei pattern respiratori. I dati ottenuti dal rilevamento sono complessi e multidimensionali. Pertanto, l’applicazione di algoritmi di classificazione è fondamentale nell’analisi dei campioni di aria espirata. Elevati livelli di accuratezza, sensibilità e specificità hanno confermato la validità di tale approccio. In tale approccio diagnostico, sono presenti, purtroppo, alcune criticità. Le più comuni includono la sensibilità delle tecnologie ai fattori ambientali, la variabilità biologica tra gli individui, la mancanza di protocolli standardizzati per l’analisi e l’interpretazione dei dati connessi alle patologie respiratorie e dalla necessità di dataset più ampi. Sebbene siano necessari ulteriori studi e implementazioni di tecnologie e algoritmi per ottenere una piena validazione, l’integrazione tra sensoristica e modelli di apprendimento automatico costituisce una base solida per l’evoluzione futura del settore. Il progresso dell’analisi dei profili di VOCs, supportato dall’evoluzione delle tecniche avanzate di rilevamento e dei modelli di machine learning, potrebbe rappresentare uno strumento innovativo per il monitoraggio continuo o di screening dello stato di salute del paziente e per la valutazione della risposta terapeutica, promuovendo un percorso di diagnosi meno invasivo e più personalizzato.