Modelli statistici per la previsione del rischio cardiovascolare : analisi di segnali elettrocardiografici

Cardiovascular ischaemic diseases are one of the main causes of death all over the world. In this class of pathologies a quick diagnosis is essential for a good prognosis in the treatment. In particular, an automatic classi cation procedure based on statistical analysis of electrocardiographic traces (ECG) would be very helpful for an early diagnosis. The challenge of this work consists of developing and applying a procedure which enables semi-automatic and realtime diagnosis of the patients' disease based only on the morphology of ECG traces and on other observable variables. This procedure represents a valid support tool for clinical evaluations. The considered dataset consist of 3,068 electrocardiographic traces, either physiological or pathological, of patients whose ECG has been collected using Mortara Rangoni Europe s.r.l. instruments and sent to the 118 Dispatch Center in Milan by lifesupport personnel. Our attention is focused on a particular set of diseases: Left Bundle Branch Block (LBBB), Right Bundle Branch Block (RBBB) and Atrial brillation. The statistical analysis starts with a preprocessing step, where the dataset was prepared for the subsequent analysis. Then, a multivariate logistic regresion clustering procedure is carried out on the landmarks of the rst lead of the ECG and on some other variables representing the patient's status. Hence, a new automatic diagnostic procedure, based on a classi cation tree, is proposed to classify ECG traces. Finally, a web application was created, using Shiny [1], with the purpose of making possible the use and the spread of the implemented algorithm to an audience of non-specialists, that without knowing the statistical and implementative details of the proposed method, can easily use it in everyday practice.

Le malattie cardiovascolari ischemiche sono una delle principali cause di decesso in tutto il mondo. In questa classe di patologie una diagnosi rapida e essenziale per una buona prognosi nel trattamento. In particolare, una procedura di classi cazione automatica basata sull'analisi statistica di tracciati elettrocardiogra ci (ECG) sarebbe molto utile per permettere una diagnosi precoce. L'obiettivo di questa tesi consiste nello sviluppo e nell'applicazione di un algoritmo che consenta di fornire una diagnosi semi-automatica e in tempo reale della patologia del paziente, basandosi solo sulla morfologia dell'elettrocardiogramma e su altre covariate osservabili del paziente. Tale procedura rappresenta un valido cruscotto di supporto alle decisioni cliniche. Il dataset in esame consiste di 3,068 tracciati elettrocardiogra ci, sia di soggetti sani che di pazienti a etti da malattie cardiovascolari, raccolti utilizzando dispositivi di registrazione del segnale di Mortara Rangoni Europe s.r.l. e successivamente inviati con trasmissioni GSM al centro di raccolta del 118 di Milano. Come primo passo ci si occupa del pre-processing dei dati, rielaborandoli al ne di rendere possibile le sucessive analisi statistiche. Si procede poi con tecniche di clustering, utilizzando oppotuni modelli di regressione logistica. Quindi, e stata proposta una procedura di diagnosi automatica dei tracciati elettrocardiogra ci basata su un albero di classi - cazione. In ne, e stata sviluppata un'applicazione web, basata su Shiny [1], con lo scopo di rendere possibile l'utilizzo e la di usione dell'algoritmo implementato presso un pubblico di non specialisti che, pur senza conoscere i dettagli statistici e implementativi del metodo proposto, possano facilmente utilizzarlo nella pratica quotidiana.