A Predictive Digital Twin framework for Risk Assessment in Congestive Heart Failure

In this work, we present a foundational digital twin (DT) for personalized clinical decision-making in congestive heart failure (CHF) treatment. CHF is a cardiovascular condition that gradually progresses to a chronic state. Severe CHF stages are a public health concern, estimated to affect 64 million people globally. Adopting a DT approach to monitor CHF patients could enable anticipatory personalized decisions about treatment, prevention of acute stages, slow down of disease progression, and improvement of survival rates. The evolution of CHF patients is modeled using a dynamic Bayesian network, which governs the observations-to-decisions flow and quantifies uncertainties in identifying pathology states and treatments responses. Observational data, including biomarker measurements and lifestyle, socio-economic, and comorbidity indices, are continuously collected and assimilated for diagnostics using random forest classifiers. A digital state, reflecting the risk of CHF hospitalization, is continuously updated through sequential Bayesian inference, enabling the forecasting of future hospitalization risks and guiding treatment decisions. The training of the model is performed over a cohort of CHF patients from the UK Biobank database. Simulation results on experimental data demonstrate the DT ability to monitor patients conditions and suggest the most appropriate course of treatment.

In questo lavoro presentiamo una metodologia basata su gemelli digitali per il processo decisionale clinico personalizzato nel trattamento dell'insufficienza cardiaca congestizia (ICC). L'ICC è una condizione cardiovascolare che progredisce gradualmente verso uno stato cronico. Con una stima di 64 milioni di persone colpite a livello globale, gli stadi avanzati di ICC rappresentano una notevole fonte di preoccupazione per la salute pubblica. L'obiettivo dell'approccio di gemellaggio digitale proposto in questa tesi è quello di permettere trattamenti personalizzati, al fine di prevenire le fasi più acute, rallentare la progressione della malattia e aumentare i tassi di sopravvivenza. L'evoluzione del paziente affetto da ICC è modellata attraverso una rete bayesiana dinamica, che governa il flusso bidirezionale di informazioni osservazioni-decisioni e quantifica le incertezze associate all'identificazione degli stati patologici e alle risposte ai trattamenti. I dati monitorati includono misurazioni di biomarcatori, indici relativi allo stile di vita, comorbidità e aspetti socio-economici. Queste informazioni vengono assimilate tramite modelli di apprendimento automatico e inferenza bayesiana sequenziale, allo scopo di fornire diagnosi con cadenza regolare. Tale diagnosi si presenta sotto forma di uno stato digitale che riflette il rischio di ospedalizzazione per ICC. Il gemello digitale consente inoltre la previsione dei rischi futuri di ospedalizzazione, permettendo di orientare il piano terapeutico. Il gemello digitale prevede una fase preliminare di addestramento basato su una corte di pazienti affetti da ICC provenienti da UK Biobank. I risultati ottenuti attraverso simulazioni su dati sperimentali dimostrano la capacità del gemello digitale di monitorare correttamente la condizione dei pazienti e suggerire il percorso di trattamento più appropriato.