Sviluppo di una rete bayesiana dinamica per lo studio della progressione della sclerosi multipla

La sclerosi multipla è una malattia cronica infiammatoria del sistema nervoso centrale che colpisce il cervello e il midollo spinale ed è causata da una risposta eccessiva del sistema immunitario che provoca un’infiammazione che danneggia la mielina e i neuroni. È la causa più comune di disabilità neurologica nei giovani adulti, con problemi progressivi (nei sistemi motori, visivi, sensoriali ed autonomi) che possono essere portati avanti tutta la vita. Le cause all'origine della sclerosi multipla sono varie e comprendono fattori genetici, ambientali, e la possibile esposizione ad agenti infettivi. La prognosi di questa malattia è molto variabile, risultando in un'elevata eterogeneità fenotipica. Allo scopo di modellizzare la progressione della sclerosi multipla, in questa tesi si è sviluppato un modello basato su reti bayesiane dinamiche, una metodologia che permette di analizzare le relazioni probabilistiche tra variabili monitorate nel tempo. A tale fine, si sono utilizzati i dati demografici e clinici di 1792 soggetti affetti da sclerosi multipla, messi a disposizione all'interno del progetto europeo BRAINTEASER. Dopo una fase iniziale di preprocessing dei dati si è allenato il modello, ottenendo un grafo che permette di visualizzare come le variabili si influenzino tra di loro nel tempo. Dalla rete si evidenziano relazioni interessanti tra il luogo di residenza dei pazienti ed il valore dei punteggi della scala EDSS (una scala per la valutazione della disabilità nelle persone con sclerosi multipla), evidenziando l'impatto che l'inquinamento atmosferico ha sulla malattia; un risultato che trova riscontro in letteratura. A partire da questa rete ne sono state create altre due introducendo variabili riguardanti la risonanza magnetica e le terapie farmacologiche. Infine, alla luce delle evidenze riscontrate nella prima rete si è voluto creare una quarta DBN introducendo dei dati sulle rilevazioni ambientali di due inquinanti (PM10 e NO2), con l'obiettivo di indagare ulteriormente le loro relazioni con la malattia. Dopo un'ampia analisi delle relazioni emerse nelle reti, vengono discussi i possibili sviluppi futuri di questa metodologia, introducendo come, ad esempio, partendo da dati specifici del paziente, il modello potrebbe essere utilizzato per prevedere l'evoluzione probabilistica della malattia, in direzione di una medicina sempre più personalizzata.