Implementazione di una deep neural network per un'analisi innovativa dei segnali elettrocardiografici in pazienti affetti da Sindrome di Brugada = Deep neural approach for innovative analysis of electrocardiographic signals in patients with Brugada Syndrome

La Sindrome di Brugada è una rara malattia genetica dell’elettrofisiologia cardiaca che provoca un aumento del rischio di sincope e arresto cardiaco in soggetti con cuore strutturalmente normale. Descritta come nuova entità clinica nel 1992, oggi è ampiamente riconosciuta e si stima sia la causa di almeno il 4% di tutte le morti improvvise. I pazienti affetti possono essere totalmente asintomatici o manifestare sintomi dovuti ad aritmie. La sindrome presenta un quadro elettrocardiografico caratteristico, con un tipico sopraelevamento del tratto ST nelle derivazioni precordiali destre (da V1 a V3). L'unica terapia di provata efficacia è il posizionamento di un defibrillatore impiantabile, anche se si stanno studiando alternative come la terapia farmacologica o l’ablazione epicardica del substrato aritmico. Una diagnosi tempestiva è quindi determinante, ma questa a volte è difficoltosa, poiché il primo sintomo è spesso la morte improvvisa e il pattern elettrocardiografico caratteristico è molto variabile nel tempo. L’obiettivo di questo lavoro di tesi è lo sviluppo di un algoritmo automatico per l’identificazione del pattern tipico della Sindrome di Brugada nei segnali ECG di pazienti affetti, che supporti il clinico nel loro riconoscimento e nella loro analisi. I segnali ECG utilizzati sono stati acquisiti in tre diverse condizioni: prima dell’intervento, durante la somministrazione del farmaco ajmalina e dopo l’ablazione epicardica del ventricolo destro. Per raggiungere lo scopo è stata implementata una deep neural network, in grado di identificare in maniera automatica le onde e i segmenti nei segnali ECG, specialmente i tratti ST e TP. Questi segmenti sono stati successivamente utilizzati per calcolare l’isoelettrica e l’area sottesa al tratto ST, parametri utili alla diagnosi della patologia. Infine, il modello è stato validato utilizzando i valori dei parametri ricavati manualmente sui segnali ECG da due operatori esperti. Inoltre, le aree sottese ai tratti ST sono state analizzate per verificare se fossero presenti delle differenze statisticamente significative tra le tre condizioni.