AFFILIAZIONE
università degli studi di napoli federico ii
AUTORE PRINCIPALE
Dr. Diodati Giovanni
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
Dr. Diodati Giovanni università degli studi di napoli federico ii
Prof. Ricciardi Carlo università degli studi di napoli federico ii
Ing. Russo Michela università degli studi di napoli federico ii
Prof.ssa Romano Maria università degli studi di napoli federico ii
Prof. Ricciardi Carlo università degli studi di napoli federico ii
Ing. Russo Michela università degli studi di napoli federico ii
Prof.ssa Romano Maria università degli studi di napoli federico ii
AREA TEMATICA
Applicazioni innovative di bioingegneria: idee dalle Università
ABSTRACT
Il morbo di Parkinson è una patologia neurodegenerativa e progressiva, caratterizzata da sintomi motori e non motori, tra cui il deterioramento cognitivo lieve (Mild Cognitive Impairment, MCI), che determina una diminuzione della memoria e delle funzioni esecutive. Questo studio si concentra sull’analisi posturografica per valutare il controllo posturale in 87 pazienti, con e senza MCI, utilizzando un protocollo di standing breve della durata di circa 6,5 secondi.
L’acquisizione dei dati è stata effettuata presso il Laboratorio di Analisi del Movimento dell’A.O.U. “S. Giovanni di Dio e Ruggi d’Aragona” di Salerno, in collaborazione con l’Unità di Ingegneria Biomedica dell’Università degli Studi di Napoli “Federico II”. Per individuare eventuali differenze statisticamente significative tra i due gruppi è stata condotta un’analisi statistica, che ha evidenziato differenze significative solo su alcune variabili clinico-demografiche, mentre nessun indice del segnale posturografico è risultato significativo tramite l’analisi statistica classica.
Successivamente, gli indici estratti dal segnale, relativi alle oscillazioni medio-laterali e antero-posteriori dello stabilogramma, insieme alle variabili dello statokinesigramma, sono stati utilizzati come input per cinque diversi classificatori: K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree (DT), Naive Bayes (NB) e Random Forest (RF). I modelli hanno mostrato una buona capacità discriminatoria complessiva: il DT ha ottenuto l’Accuratezza più elevata (0,71), mentre SVM e RF hanno raggiunto il valore più alto di AUCROC (0,68). Per quanto riguarda la capacità di identificare correttamente i casi positivi (Sensibilità), il NB ha mostrato le migliori prestazioni (0,85), mentre il KNN si è distinto per la riduzione dei falsi positivi, grazie alla all’alta Specificità (0,89) e Precisione (0,76). Nel complesso, il Machine Learning si è dimostrato più efficace dell’analisi statistica, suggerendo un possibile legame tra MCI e una compromissione della stabilità posturale nei pazienti con morbo di Parkinson. Questi risultati indicano il potenziale del Machine Learning come strumento di supporto clinico nella valutazione neurologica, affiancandosi alle metodologie di valutazione tradizionali.
L’acquisizione dei dati è stata effettuata presso il Laboratorio di Analisi del Movimento dell’A.O.U. “S. Giovanni di Dio e Ruggi d’Aragona” di Salerno, in collaborazione con l’Unità di Ingegneria Biomedica dell’Università degli Studi di Napoli “Federico II”. Per individuare eventuali differenze statisticamente significative tra i due gruppi è stata condotta un’analisi statistica, che ha evidenziato differenze significative solo su alcune variabili clinico-demografiche, mentre nessun indice del segnale posturografico è risultato significativo tramite l’analisi statistica classica.
Successivamente, gli indici estratti dal segnale, relativi alle oscillazioni medio-laterali e antero-posteriori dello stabilogramma, insieme alle variabili dello statokinesigramma, sono stati utilizzati come input per cinque diversi classificatori: K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree (DT), Naive Bayes (NB) e Random Forest (RF). I modelli hanno mostrato una buona capacità discriminatoria complessiva: il DT ha ottenuto l’Accuratezza più elevata (0,71), mentre SVM e RF hanno raggiunto il valore più alto di AUCROC (0,68). Per quanto riguarda la capacità di identificare correttamente i casi positivi (Sensibilità), il NB ha mostrato le migliori prestazioni (0,85), mentre il KNN si è distinto per la riduzione dei falsi positivi, grazie alla all’alta Specificità (0,89) e Precisione (0,76). Nel complesso, il Machine Learning si è dimostrato più efficace dell’analisi statistica, suggerendo un possibile legame tra MCI e una compromissione della stabilità posturale nei pazienti con morbo di Parkinson. Questi risultati indicano il potenziale del Machine Learning come strumento di supporto clinico nella valutazione neurologica, affiancandosi alle metodologie di valutazione tradizionali.
