EARLY CLASSIFICATION OF CLINICAL TIME SERIES FOR THE PREDICTION OF POST- NEUROSURGICAL DIABETES INSIPIDUS

L’identificazione precoce delle complicanze post-operatorie costituisce un tema di crescente interesse nell’ambito della medicina computazionale. Tra queste, il diabete insipido post-neurochirurgico rappresenta una condizione clinicamente rilevante, frequentemente associata a interventi in area ipofisaria. La presente tesi propone un approccio basato su tecniche di machine learning per l’analisi e la classificazione di serie temporali cliniche ottenute dal monitoraggio post-operatorio dei livelli di sodio ematico. In una fase iniziale sono stati sviluppati modelli supervisionati tradizionali per la classificazione completa delle serie temporali. Successivamente, è stato implementato un framework di early time series classification, volto a effettuare la predizione della complicanza nelle fasi iniziali del decorso post-operatorio, prima della disponibilità dell’intera sequenza temporale. L’analisi ha evidenziato come le strategie di classificazione precoce consentano di ottenere un compromesso efficace tra tempestività diagnostica e accuratezza predittiva. I risultati suggeriscono la possibilità di integrare tali strumenti nei sistemi di monitoraggio clinico per supportare decisioni terapeutiche tempestive e personalizzate.