ANALISI DI DATI BIOMEDICI MULTIMODALI PER LA DIAGNOSI DELLA MALATTIA DI ALZHEIMER

La malattia di Alzheimer (AD) rappresenta la principale forma di demenza neurodegenerativa e costituisce una sfida rilevante per la ricerca biomedica e la pratica clinica, a causa della sua eterogeneità clinica e della complessità diagnostica. In questo lavoro di tesi è stato sviluppato e validato un modello di “Survival Analysis” basato sull’algoritmo di apprendimento automatico “XGBoost”, con l’obiettivo di stimare i tempi di transizione cognitiva lungo il continuum dell’AD. L’analisi è stata condotta utilizzando i dati multimodali provenienti dall’iniziativa “Alzheimer’s Disease Neuroimaging Initiative” (ADNI), integrando informazioni cliniche, neuropsicologiche, genetiche e di neuroimaging. Il modello è stato applicato per due scenari critici: la transizione da “Cognitive Normal” (CN) a “Mild Cognitive Impairment” (MCI) e da MCI ad AD. I risultati hanno evidenziato prestazioni predittive coerenti con le traiettorie cliniche osservate. Inoltre, il modello è stato in grado di generare curve di sopravvivenza individuali, utili per la stratificazione personalizzata del rischio. Questo approccio conferma il potenziale delle tecniche di machine learning nell’ambito della medicina di precisione, contribuendo allo sviluppo di strumenti predittivi a supporto della diagnosi precoce e della gestione clinica dell’AD.