Previsione della comorbidità di disturbi depressivi e cardiometabolici mediante multitask learning = Comorbidity prediction of depressive and cardiometabolic disorders using multitask learning

Le malattie cardiovascolari hanno uno stretto legame con il diabete e la depressione. Gli studi dimostrano che la prevalenza del diabete e/o della depressione aumenta il rischio di eventi cardiaci. Inoltre, vi è una crescente evidenza di interazione avversa bidirezionale tra diabete e depressione. Potrebbe essere utile studiare la comorbidità di queste tre malattie e prevedere in anticipo l'insorgenza di malattie cardiovascolari nei pazienti con diabete e depressione in modo che l'intervento necessario possa essere fatto in tempo per prevenire qualsiasi evento pericoloso per la vita. Considerando il successo visibile delle tecniche di machine learning sui compiti predittivi, sarebbe interessante sfruttarle per la previsione delle suddette malattie. I dati utilizzati per questa tesi sono ottenuti dalla UK Biobank, un database biomedico su larga scala e una risorsa di ricerca, contenente informazioni genetiche e sanitarie approfondite da mezzo milione di partecipanti nel Regno Unito. Il set di dati comprende informazioni dettagliate sullo stile di vita e le condizioni mediche per i soggetti. Per questa tesi, tuttavia, sono state considerate solo le caratteristiche esposomiche che includono stile di vita, fattori sociodemografici, eventi traumatici e misure fisiche. La ragione alla base della scelta di queste caratteristiche è prevedere il rischio di queste malattie potenzialmente letali senza passare attraverso esami medici dettagliati e costosi. Considerato l'obiettivo della tesi, è stata utilizzata una particolare tecnica di machine learning denominata multitask learning. Risolve più compiti contemporaneamente, sfruttando i punti in comune e le differenze tra di loro. Il modello proposto si basa su neural netwroks costruite utilizzando la libreria Keras. Questa tesi servirebbe da trampolino di lancio a questo proposito, poiché al meglio delle nostre conoscenze e ricerche, è stato svolto un piccolo lavoro che si concentra su questo problema in questo senso. Con la disponibilità di più dati e miglioramenti nel modello in futuro, potrebbe diventare uno strumento interessante per prevedere i rischi di malattie compilando un questionario online facilmente accessibile.