Modelli machine learning con parametri fetali e materni : contributo alla classificazione di stati di ridotta crescita fetale

The quantitative analysis of the fetal heart rate signal (Fetal Heart Rate, FHR) is the most widely used tool in clinical practice for the evaluation and quantification of fetal well-being during pregnancy. Simultaneously with traditional purely observational approaches to the tracings, in the last 15 years numerous quantitative computational methods have been suggested for the diagnosis of pathological states. These techniques involve extracting parameters from the FHR signal and analyzing them by using univariate and multivariate methods, which provide an indirect quantification of the development of the fetal state. In this regard, in this thesis project a Machine Learning approach has been suggested in order to classify a specific fetal pathology: Intra Uterine Growth Restriction (IUGR). In the proposed research, three models for the IUGR fetus and fetus binary classification have been used: Random Forest, Support Vector Machine and Boosted Logistic Regression. The dataset used for the analysis has been extracted from the data collected in "The Safe Passage Study". This dataset includes 124 subjects: 62 healthy fetuses and 62 IUGR fetuses. The variables used include indexes extracted from the FHR signal in the various domains (time, frequency, complexity) and information relating to the mother's lifestyle such as alcohol and drugs intake and cigarette smoking. The analyses carried out have allowed to reach accuracy values of 62.9%. The indexes extracted from the signal contribute to the IUGR classification substantially, while the use of maternal variables does not make a significant increase in the performance in the context of the present analysis. There is therefore a considerable need for the use of high-quality FHR signals in order to obtain good prediction performance.

L'analisi quantitativa del segnale di frequenza cardiaca fetale (Fetal Heart Rate, FHR) è lo strumento più largamente utilizzato nella pratica clinica per la valutazione e quantificazione del benessere fetale durante la gravidanza. Contemporaneamente a tradizionali approcci puramente osservativi dei tracciati, negli ultimi 15 anni sono state proposte numerose metodiche computazionali quantitative volte alla diagnosi di stati patologici. Tali tecniche prevedono l’estrazione di parametri dal segnale FHR e la loro analisi utilizzando metodi univariati e multivariati, i quali fornisco una quantificazione indiretta dello sviluppo dello stato fetale. A questo proposito, in questo lavoro di tesi è stato proposto un approccio Machine Learning allo scopo della classificazione di una specifica patologia fetale: il ritardo di crescita intrauterino (Intrauterine Growth Restriction, IUGR). Nella ricerca proposta, sono stati utilizzati tre modelli per la classificazione binaria di feto sano e feto IUGR: Random Forest, Support Vector Machine e Boosted Logistic Regression. Il dataset utilizzato per l’analisi è stato estratto a partire dai dati raccolti nello studio "The Safe Passage Study". Tale dataset comprende 124 soggetti: 62 feti sani e 62 feti IUGR. Le variabili utilizzate includono indici estratti dal segnale FHR nei vari dominii (tempo, frequenza, complessità) ed informazioni relative allo stile di vita della madre come l'uso di alcool, droghe ed il fumo di sigaretta. Le analisi effettuate hanno permesso di raggiungere valori di accuratezza pari a 62,9%. Gli indici estratti dal segnale contribuiscono in maniera sostanziale alla classificazione di IUGR, mentre l’impiego delle variabili materne non apporta un significativo incremento delle performance nel contesto della presente analisi. Si rende quindi evidente la necessità dell’utilizzo di segnali FHR ad alta qualità al fine di ottenere buone prestazioni di predizione.