Predicting hospital mortality for intensive cardiac care unit through topological data analysis

This master thesis explores the use of Topological Data Analysis (TDA) alongside Machine Learning to predict patient outcomes in the Intensive Cardiac Care Unit (ICCU) ward of the 'Centro Cardiologico Monzino'. While Big Data analytics provides numerous opportunities to enhance healthcare quality, the use of such data in healthcare settings still poses challenges such as data integration, privacy maintenance, and specialized skill requirements. TDA, a branch of mathematics dealing with qualitative geometric information, provides clear visualization and analysis of large and high-dimensional datasets. The main aim of the study was to identify predictive factors leading to in-hospital mortality from a dataset of ICCU patients. The TDA approach facilitated the exploration of topological data structures and identified three separate clusters of patients with different in-hospital outcomes. The study found that the TDA approach enhanced classification performances with traditional machine learning models, leading to improved prediction of patients' conditions. In conclusion, the complementarity of TDA and Machine Learning offers results for visualizing relationships within data that traditional statistics cannot provide, leading to efficient and accurate predictions in healthcare settings.

Questa tesi magistrale esplora l'uso dell'Analisi Topologica dei Dati (TDA) in congiunzione con il Machine Learning per prevedere gli esiti dei pazienti nel reparto di Terapia Intensiva Cardiologica (ICCU) del 'Centro Cardiologico Monzino'. Sebbene l'analisi dei Big Data offra numerose opportunità per migliorare la qualità dell'assistenza sanitaria, l'uso di tali dati in contesti sanitari presenta ancora sfide come l'integrazione dei dati, il mantenimento della privacy e la richiesta di competenze specializzate. La TDA, un ramo della matematica che si occupa di fornire informazioni geometriche qualitative dai dati, fornisce una chiara visualizzazione e analisi di set di dati di grandi dimensioni e ad alta dimensionalità. L'obiettivo principale dello studio era identificare i fattori predittivi che portano alla mortalità in ospedale da un set di dati di pazienti ICCU. L'approccio TDA ha facilitato l'esplorazione delle strutture di dati topologici e ha identificato tre cluster separati di pazienti con risultati diversi in ospedale. Lo studio ha scoperto che l'approccio TDA ha migliorato le prestazioni di classificazione con i modelli di apprendimento automatico tradizionali, portando a una migliore previsione delle condizioni dei pazienti. In conclusione, la complementarietà della TDA e dell'Apprendimento Automatico offre risultati per visualizzare le relazioni all'interno dei dati che le statistiche tradizionali non possono fornire, portando a previsioni efficienti ed accurate in contesti sanitari.