Sviluppo di un modello di inferenza basato su reti bayesiane dinamiche per lo studio della progressione della sclerosi laterale amiotrofica

La Sclerosi Laterale Amiotrofica (SLA) è una sindrome neurodegenerativa fatale che compromette progressivamente i domini funzionali e la qualità di vita del paziente e per la quale non è disponibile al momento una cura. Nonostante siano state avanzate numerose teorie sulla patogenesi della SLA e vi sia una relativa uniformità del quadro clinico nello stadio avanzato della malattia, il fenotipo all’esordio e nelle prime fasi del decorso è notevolmente variabile e rimane molto da definire a riguardo. In questo contesto, modelli di apprendimento automatico basati su Intelligenza Artificiale possono risultare di considerevole supporto nel trattamento e nella ricerca, permettendo di investigare le cause e le componenti impattanti sul decorso della malattia, nonché supportando i clinici nella previsione delle tempistiche di futuri interventi e nel design dei trial terapeutici, permettendo così di sviluppare terapie sempre più personalizzate. Questa tesi si inserisce nel contesto del progetto di ricerca europeo H2020 BRAINTEASER che vede la collaborazione di un consorzio di 11 membri, tra cui il Dipartimento di Ingegneria dell’Informazione dell’Università di Padova, e che mira a sviluppare modelli di Intelligenza Artificiale per supportare clinici e pazienti nella gestione della progressione della malattia. Specificatamente, in questa tesi ci si è posti l’obiettivo di modellizzare i meccanismi di evoluzione della malattia, sviluppando un modello di inferenza basato su una rete bayesiana dinamica (dynamic bayesian network, DBN) ed utilizzandolo a fini descrittivi. La DBN è stata sviluppata facendo uso dei dati raccolti nel progetto BRAINTEASER, che includono informazioni cliniche relative a 2224 pazienti affetti da SLA e presi in carico dal Centro Regionale Esperto sulla Sclerosi Laterale Amiotrofica (CRESLA) di Torino e dal Centro Académico de Medicina de Lisboa (CAML) di Lisbona. Il modello, sviluppato in R facendo uso del pacchetto bnlearn, che permette di gestire contemporaneamente dati di tipo misto raccolti nel tempo, codifica nel tempo le dipendenze condizionali tra le variabili osservate. Tramite l’analisi della rete ottenuta è stato possibile individuare pattern significativi di dipendenza tra le variabili demografiche e cliniche e le fasi di aggravamento della malattia. Si sono potuti così identificare possibili fattori di rischio prognostico di cui si è verificata la corrispondenza con la letteratura medico-scientifica.