Risultati aggiornati al: 22/02/2016
SEGUI IL PROGETTO
I principali risultati conseguiti consistono nella ricerca e nell'implementazione di modelli basati sui metodi avanzati dell'intelligenza artificiale per la valutazione del rischio di eventi cardiovascolari in pazienti cardiologici e di cadute in pazienti cardiologici ed oftalmologici.
I metodi per i pazienti cardiologici si basano sull'analisi del battito cardiaco ottenuta dalla registrazione elettrocardiografica durante un monitoraggio di breve o lungo periodo, ma con un cambiamento totale di prospettiva rispetto ai metodi convenzionalmente adottati in clinica: si propone infatti di sfruttare il meccanismo che sottende la variabilità del ritmo cardiaco, anche nota in gergo anglosassone come "Heart Rate Variability". La variabilità del ritmo cardiaco, ovvero lo studio di come varia la frequenza cardiaca, si è mostrata un "misuratore attendibile" del controllo del sistema nervoso (precisamente del sistema nervoso autonomico) sull'attività cardiaca. Per questo motivo, è in grado di fornirci preziose informazioni sullo stato di salute di individuo e sulla sua capacità di reagire ad eventi esterni, che possono essere utilizzate per effettuare delle valutazioni da parte di sistemi automatici.
Nell'ambito del progetto SHARE, adottando algoritmi di intelligenza artificiale recentemente proposti nella letteratura scientifica, è stato realizzato un sistema automatico capace di predire gli eventi vascolari, individuando un sottogruppo di pazienti che ha un rischio cinque volte più alto di sviluppare, nei dodici mesi successivi, infarto del miocardio, ictus e altri eventi vascolari. Inoltre, è stato sviluppato un modello che consentire di identificare ifallers, ovvero i pazienti soggetti a caduta, sempre a partire dalle registrazioni del segnale elettrocardiografico e dall'analisi della frequenza cardiaca.
È stato anche realizzato un diverso modello che consente di identificare i pazienti oftalmologici (con difficoltà nella visione) a più alto rischio di cadere, a partire da dati clinici e di autovalutazione degli stessi soggetti. Anche in questo caso, il sistema proposto consente un sottogruppo di soggetti con un rischio circa quattro volte più alto di cadere nei dodici mesi successivi alla visita medica.
Infine, sono state sviluppate opportune applicazioni via web e per smartphone Android, integrate in una piattaformacloud-based, al fine di rendere fruibili i modelli proposti agli specialisti del settore ed indirettamente ai cittadini che intendano avvalersi dei risultati di tali modelli.
Presentazioni del progetto
- Vai alla presentazione
del progetto - Automatic prediction of falls via Heart Rate
Variability and data-mining in hypertensive patients: the SHARE
project experience - MBEC 2014 Dubrovinik / Croazia 7 - 11
settembre 2014
- Vai alla presentazione
del progetto - Health Technology Assessment of home
monitoring for patients suffering from heart failure Medicon 2013
Siviglia/Spagna 25 - 28 settembre 2013
-
Vai alla presentazione del progetto - Smart
Health and Artificial intelligence for Risk Estimation - Social
Innovation Day - 15 Aprile 2014
Pubblicazioni scientifiche
- Melillo P, Izzo R, Orrico A, Scala P, Attanasio M, Mirra M, De Luca N, Pecchia L: Automatic Prediction of Cardiovascular and Cerebrovascular Events Using Heart Rate Variability Analysis. PLoS ONE 2015
- Melillo P, Orrico A, Attanasio M, Rossi S, Pecchia L, Chirico F, Testa F, Simonelli F: A pilot study for development of a novel tool for clinical decision making to identify fallers among ophthalmic patients. BMC Medical Informatics and Decision Making 2015, 15(Suppl 3):S6.
- Heart rate variability and target organ damage inhypertensive patients
- BMC Cardiovascolar Disorder 2012
- Classification Tree for Risk Assessment in Patients Suffering From Congestive Heart Failure via Long-Term Heart Rate Variability
- IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS 2013