Costruzione di un classificatore per la stima del rischio di frattura in pazienti osteoporotici = Fracture risk estimation in osteoporotic patients

Lo scopo dello studio è di valutare la possibilità di stimare il rischio frattura in pazienti osteoporotici attraverso lo sviluppo di un classificatore basato su reti neurali. Il rischio di frattura è influenzato da parametri quali T-score, menopausa, età e fratture pregresse. Ad oggi in ambito clinico, per la stima del rischio, è utilizzata una combinazione di 14 parametri tra cui dati relativi al paziente (età, peso, ecc…) ed altri relativi alle principali zone anatomiche soggette a frattura. Lo studio è stato condotto su 364 pazienti di cui 278 a rischio frattura e 86 non a rischio, costruendo un dataset composto da 46 features per ogni paziente. È stata effettuata una features selection utilizzando gli algoritmi genetici e successivamente sono state allenate diverse strutture di reti neurali. La valutazione delle prestazioni è stata effettuata utilizzando il valore AUC. Il metodo proposto ha evidenziato un’accuratezza nella stima del rischio di frattura, una specificità e sensibilità di circa l’80%, a differenza di un’accuratezza del 65% per la classificazione effettuata mediante i soli 14 parametri utilizzati in clinica. A fronte di queste considerazioni, questo lavoro di tesi dimostra come utilizzando tecniche di machine learning sia possibile ottenere un miglioramento nell’accuratezza della stima del rischio di frattura. Nonostante i risultati siano promettenti, il metodo necessiterebbe di un’ulteriore validazione mediante l’utilizzo di un database più ampio e correttamente bilanciato tra le due classi di pazienti.