SVILUPPO DI UN MODELLO PREDITTIVO PER L'AMMISSIONE IN TERAPIA INTENSIVA NEONATALE BASATA SU RANDOM FOREST E DATI DI CARTELLA CLINICA

Il diabete gestazionale (GDM) è una delle patologie più comuni che possono insorgere durante la gravidanza e rappresenta un fattore di rischio significativo, sia per la madre che per il feto. I neonati nati da madri affette da GDM presentano un rischio aumentato di complicanze, che spesso richiedono il ricovero in Terapia Intensiva Neonatale (TIN). Individuare in maniera precoce i casi che potrebbero necessitare dell’ammissione in TIN è di fondamentale importanza per migliorare l’organizzazione ospedaliera, ottimizzare le risorse e, soprattutto, garantire un’assistenza adeguata e tempestiva ai neonati a rischio. In questo elaborato, dopo una breve introduzione sulla patologia, si propone l’utilizzo di tecniche di Machine Learning per costruire un modello predittivo di classificazione in grado di prevedere l’ammissione in TIN nei neonati, principalmente concentrandosi nei casi aventi madri con diabete gestazionale. L’addestramento avviene partendo da un dataset clinico raccolto presso il St. Mary’s Hospital di Londra. Dopo un’analisi del dataset, si procede alla fase di preprocessing e di bilanciamento dei dati, utilizzando tecniche come Random Undersampling e SMOTE. Successivamente, sono stati implementati tre diversi modelli Random Forest, scelti per la loro capacità di gestire dataset complessi e sbilanciati, oltre che per la loro robustezza nella classificazione binaria. I risultati ottenuti dimostrano che l’impiego di tecniche di bilanciamento del dataset porta ad un miglioramento della metrica di recall. L'utilizzo di diversi modelli è atto ad evidenziare come si differenziano i risultati nel caso di applicazione o meno di diverse tecniche di bilanciamento dei dati. L’obiettivo a lungo termine di questo studio sarà quello di creare un modello predittivo efficiente che possa affiancare il personale medico, contribuendo a decisioni più rapide e precise, migliorando così gli esiti clinici per i neonati a rischio.