Predizione della progressione di sclerosi multipla mediante tecniche di machine learning

La Sclerosi Multipla è una malattia che colpisce il sistema nervoso centrale causando un danneggiamento transitorio o permanente della guaina mielinica che avvolge gli assoni delle cellule neuronali. Attualmente non esiste una cura per la Sclerosi Multipla, ma svariati trattamenti sono disponibili per pazienti colpiti dalla malattia. Al fine di raggiungere una miglior comprensione della malattia, fornire un supporto alla decisione clinica, migliorare la qualità di vita dei pazienti e diminuire i costi per le aziende ospedaliere, è indispensabile conoscere l’evoluzione della Sclerosi Multipla per ogni specifico paziente. In questo lavoro di tesi, l’intento è stato quello di sviluppare diversi modelli predittivi, tramite tecniche di Machine Learning, con l’obiettivo di determinare se un paziente, a distanza di 6, 12 o 18 mesi dall’inizio dello studio, sosterrà un peggioramento della patologia o meno. I dati forniti in input ai modelli, temporalmente datati all’inizio dello studio (giorno zero), sono stati estratti dal database MSOAC Placebo. Quattro definizioni di “peggioramento” della malattia sono state implementate per i modelli, tutte fondate su una variazione temporale dello score EDSS (Expanded Disability Status Scale). In totale sono stati creati 72 modelli predittivi. L’algoritmo con il quale sono stati implementati i modelli (nel linguaggio R) è quello di Regressione Logistica: in tal modo, è stata realizzata una classificazione binaria nelle classi “Worsening” (se un paziente vede l’aggravarsi della patologia) e “Non Worsening” (se per un paziente la malattia è stabile o migliora nel tempo di previsione). Le performance dei modelli sono riportate in termini del valore AUC (Area Under the Curve): 0.74 è il miglior risultato per predizioni a 6 mesi dall’inizio dello studio; 0.71 è il più alto risultato ottenuto per predizioni a 12 e 18 mesi dall’inizio dello studio. Sono stati inoltre identificati i migliori predittori per i modelli con le più alte performance: lo score EDSS e il Nine Hole Peg Test (test funzionale per la valutazione della destrezza manuale dei pazienti) sono risultate le variabili maggiormente predittive. Le performance predittive dei modelli sviluppati sono dunque risultate significativamente migliori del classificatore random, tuttavia non sufficientemente elevate da consentire l’utilizzo nella pratica clinica dei modelli.