Oggigiorno ll danno renale acuto [“acute kidney injury” (AKI)] è una sindrome molto frequente, soprattutto nei reparti di terapia intensiva, che si associa a elevata mortalità nonostante i progressi terapeutici. La diagnosi di AKI è spesso tardiva perché i criteri diagnostici sono basati anche sulle variazioni della creatinina sierica, il cui lento incremento ne costituisce un’importante limitazione. Lo scopo di questo studio è lo sviluppo e la validazione di modelli di previsione a supporto alle decisioni in ambito medico, in particolare riguardanti la diagnosi precoce di AKI in pazienti ricoverati in terapia intensiva. Nella prima parte di questo studio, dopo una consistente fase di preprocessing su un database pubblico, MIMIC-III (Medical Information Mart for Intensive Care), relativo ai parametri fisiologici di 58 mila pazienti ospedalizzati, è stato creato un dataset finale adeguato alle fasi di training e test relative ad algoritmi di apprendimento supervisionato. I pazienti presenti in quest’ultimo sono stati etichettati sulla base delle linee guida alla prevenzione, diagnosi e terapia delle sindromi di danno renale acuto [“Kidney Disease: Improving Global Outcomes” (KDIGO)]. Nella seconda parte, sulla base di quanto fatto nella prima, è stata condotta un’analisi dati mediante algoritmi di machine learning. L’algoritmo più performante sulla base di varie metriche utilizzate verrà integrato all’interno di un innovativo sistema di monitoraggio attualmente in fase di sviluppo, il quale raccoglierà misurazioni di urina ogni ora ed effettuerà dopo le prime sei la previsione sullo stato di salute renale del paziente nelle successive 12, 24 e 48 ore.

AUTORI: Angelo Savoca, Salvatore Cavalli

RELATORI: Valentina Alice Cauda, Eros Gian Alessandro Pasero

CORSO DI LAUREA: Corso di laurea magistrale in Ingegneria Informatica

ANNO ACCADEMICO: 2019/2020