INTELLIGENZA ARTIFICIALE SPIEGABILE PER LA STRATIFICAZIONE DEL RISCHIO DIABETICO E CARDIO-METABOLICO

Il diabete mellito di tipo 2 rappresenta una delle principali sfide per i sistemi sanitari a livello mondiale, a causa della sua elevata prevalenza e delle numerose complicanze cardio-metaboliche associate. La disponibilità di strumenti in grado di supportare la caratterizzazione dello stato glicemico e la stratificazione del rischio può contribuire alla definizione di strategie preventive e assistenziali maggiormente personalizzate. L’obiettivo della presente tesi è sviluppare e analizzare modelli di Machine Learning per la classificazione dello stato glicemico e la stratificazione del rischio diabetico e cardio-metabolico mediante dati clinici strutturati, ponendo particolare attenzione all’interpretabilità delle decisioni attraverso tecniche di Explainable Artificial Intelligence. Sono stati sviluppati e confrontati diversi algoritmi di classificazione supervisionata, valutandone le prestazioni mediante accuratezza, precisione, recall, F1-score, ROC-AUC e matrici di confusione. È stata inoltre condotta un’analisi di robustezza del modello Random Forest utilizzando differenti configurazioni degli iperparametri, al fine di valutarne la stabilità. Per comprendere il contributo delle variabili cliniche alle decisioni dei modelli sono state applicate tecniche SHAP, mediante analisi globali e locali. Parallelamente, è stato analizzato il contributo dei diversi domini clinici, tra cui variabili demografiche, antropometriche, lipidiche, epatiche, renali ed ematologiche. La sperimentazione è stata infine estesa all’analisi di alcune complicanze renali e cardio-cerebrovascolari associate al diabete. I risultati mostrano che l’integrazione tra modelli di Machine Learning e tecniche di Explainable AI consente di ottenere prestazioni predittive promettenti e, al contempo, di identificare le variabili maggiormente associate alle decisioni dei modelli. L’approccio proposto rappresenta pertanto un possibile supporto alla stratificazione clinica e allo sviluppo di strumenti interpretabili orientati alla medicina personalizzata.