Applicazione di tecniche di machine learning alla medicina trasfusionale

La donazione frequente di sangue può portare un donatore ad essere soggetto all'anemia (cioè carenza di emoglobina nel sangue), escludendolo temporaneamente dalla donazione.. Si definisce anemia quando i valori di emoglobina sono inferiori a 13 g/dL negli uomini adulti e 12 g/dL nelle donne adulte. Modelli di apprendimento automatico che, predicono i valori di emoglobina prima della donazione successiva possono essere di aiuto a prevenire il fenomeno dell'anemia. Perciò l'obiettivo di questo elaborato è implementare e confrontare vari modelli di regressione in grado di stimare il valore di emoglobina futura di un donatore. In collaborazione con il Laboratorio di Biochimica e Metabolomica (BioMetLab) afferente al Reparto di Medicina Trasfusionale e il Servizio di Fisica Medica presso l'IRCCS di Reggio Emilia sono stati estratti i dati dei donatori della provincia di Reggio Emilia dal 2015 al 2020. Dopo aver effettuato un'analisi dei dati, sono stati addestrati e confrontati diversi modelli di regressione lineare e non, ottimizzando i loro iperparametri attraverso la cross-validation. Le prestazioni dei modelli sono state valutate utilizzando l'errore quadratico medio (RMSE) e R2 score. Dalle analisi dei risultati si evince che tutti i modelli testati ottengono prestazioni simili, raggiungendo un RMSE di 0.38 e un R2 di 0.73. Si nota inoltre che le feature che incidono maggiormente sulla stima sono i valori di emoglobina avuti nelle donazioni precedenti. I risultati mostrano come i modelli testati hanno avuto prestazioni soddisfacenti. Tuttavia il lavoro presenta alcune limitazioni, tra cui non riuscire a prevedere quando un donatore potrà effettivamente donare. Nonostante ciò lo studio contribuisce a dare un altro esempio di modelli predittivi applicati all'ambito clinico, dimostrando che la loro integrazione potrebbe portare a miglioramenti in vari contesti.