Dalla modellazione computazionale al supporto clinico: sviluppo di un simulatore di emodialisi con interfaccia utente dedicata

Chronic Kidney Disease represents a condition with a high clinical and social impact, often treated with hemodialysis in end-stage patients. In this context, predictive computational models in hemodialysis are increasingly required to improve the understanding of solute exchange dynamics and to provide clinicians with reliable decision-support tools. For such models to be clinically meaningful, it is essential that they combine mathematical accuracy with usability in daily practice. In this thesis, a multicompartmental model for the simulation of the kinetics of the main solutes (Na+, K+, Ca2+, Cl–, HCO−3 , Mg2+, urea, creatinine, and glucose) during dialysis was implemented in Python, starting from a MATLAB version. Several numerical solvers were tested, with particular attention to stiff systems, in order to identify the most suitable algorithm to reproduce patient-specific electrolyte kinetics and reduce computation times. The analysis was carried out on a large multicenter dataset, with classification of dialysis sessions based on predictive accuracy. In parallel, an intuitive graphical interface was developed, allowing clinicians to easily enter session parameters and visualize simulation results in real time. The Python implementation confirmed the validity of the model. In particular, the BDF solver proved to be the most advantageous during the parameter identification phase, thanks to a significant reduction in computation times while maintaining stability and accuracy. The developed GUI integrates advanced functionalities, including patient-specific simulations, visualization of mass balances, simulation history, and warning messages whenever solute trends fall outside physiological ranges. This makes the model accessible even to non-technical users and enhances its value as a clinical decision-support tool. Overall, this work demonstrates the feasibility and clinical utility of an integrated predictive framework that combines numerical accuracy, statistical reproducibility, and usability. Future perspectives include multicenter validation, the introduction of physiological constraints in the solvers, and the extension of classification at the patient level.

La Malattia Renale Cronica rappresenta una condizione ad elevato impatto clinico e sociale, spesso trattata con emodialisi nei pazienti in stadio terminale. In questo contesto, i modelli computazionali predittivi in emodialisi sono sempre più necessari per migliorare la comprensione della dinamica di scambio dei soluti e fornire ai clinici strumenti affidabili per il supporto decisionale. Perché tali modelli risultino significativi in ambito clinico, è fondamentale che uniscano accuratezza matematica e usabilità nella pratica quotidiana. In questa tesi è stato implementato in Python un modello multicompartmentale per la simulazione della cinetica dei principali soluti (Na+, K+, Ca2+, Cl–, HCO−3 , Mg2+, urea, creatinina e glucosio) durante la dialisi, partendo da un’implementazione in MATLAB. Sono stati testati diversi solver numerici, con particolare attenzione ai sistemi stiff, per identificare l’algoritmo più adatto a riprodurre la cinetica degli elettroliti specifica del paziente e per ridurre i tempi di calcolo. L’analisi è stata condotta su un ampio dataset multicentrico, con classificazione delle sedute in base alla bontà predittiva. Parallelamente, è stata sviluppata un’interfaccia grafica intuitiva che consente di inserire i parametri della seduta e visualizzare in tempo reale i risultati delle simulazioni. L’implementazione in Python ha confermato la validità del modello. In particolare, il solver BDF si è dimostrato il più vantaggioso nella fase di identificazione dei parametri, grazie a una significativa riduzione dei tempi di calcolo pur mantenendo stabilità e accuratezza. La GUI integra funzionalità avanzate, tra cui simulazioni personalizzate per paziente, visualizzazione dei bilanci di massa, storico delle simulazioni e messaggi di avviso nel caso in cui l’andamento dei soluti fuoriesca dai range fisiologici, rendendo il modello utilizzabile anche da parte di utenti non tecnici e potenziandone il valore come strumento di supporto clinico. Nel complesso, il lavoro dimostra la fattibilità e l’utilità clinica di un framework predittivo integrato, che coniuga accuratezza numerica, riproducibilità statistica e usabilità. Le prospettive future includono la validazione multicentrica, l’introduzione di vincoli fisiologici nei solver e l’estensione della classificazione a livello paziente.