Search

La tesi tratta dell'importanza dei controlli di qualità e di sicurezza elettrica che devono essere effettuati per garantire l'integrità nel corso degli anni delle apparecchiature elettromedicali. In particolare ho studiato il funzionamento, i principi fisici e i limiti del pulsossimetro, il dispositivo medico in grado di misurare indirettamente la saturazione dell'ossigeno nel sangue.

L'obiettivo del presente elaborato di tesi è lo studio dell'associazione tra variabili di neuroimaging e variabili neuropsicologiche, tramite analisi statistiche, con particolare attenzione agli indici strutturali in grado di interpretare i punteggi di test neuropsicologici ottenuti da pazienti affetti da deterioramento cognitivo lieve di origine vascolare e patologia dei piccoli vasi cerebrali. I metodi statistici impiegati consistono in analisi di regressione lineare multipla, sviluppati ed automatizzati nel pacchetto SPSS (Statistical Package for Social Science) e classificazione grazie ad algoritmi di machine learning, implementati in ambiente R. Le analisi sono state applicate ad un dataset costituito da 64 pazienti inclusi nel progetto VMCI-Tuscany. Le analisi di regressione e classificazione sono state applicate a tre modelli diversi, in funzione delle variabili esplicative considerate: il primo modello è costituito da variabili volumetriche, mentre gli altri due modelli includono anche indici di diffusione cerebrale, quali Mean Diffusivity (MD) e Fractional Anisotropy (FA). I risultati evidenziano l'importanza dell'indice di diffusione MD della sostanza bianca come predittore significativo del deterioramento cognitivo: in particolar modo la sostanza bianca apparentemente normale e la sostanza bianca totale presentano MD simili, mostrando, come, in questa coorte di pazienti, la segmentazione semi-automatica delle lesioni non sia necessaria. L'applicazione di tecniche di machine learning al test MoCA permette di ottenere un coefficiente di correlazione di Pearson tra i punteggi osservati e quelli stimati dall'algoritmo di Support Vector Machine pari a 0.62. I risultati migliori delle analisi di classificazione, invece, corrispondono a valori di sensibilità e di specificità pari al 71.44% e al 80.56% per il test MoCA e valori di sensibilità e di specificità pari al 71.79% e al 72% per il test TMT-A.

L'obiettivo del presente elaborato di tesi è lo studio dell'associazione tra variabili di neuroimaging e variabili neuropsicologiche, tramite analisi statistiche, con particolare attenzione agli indici strutturali in grado di interpretare i punteggi di test neuropsicologici ottenuti da pazienti affetti da deterioramento cognitivo lieve di origine vascolare e patologia dei piccoli vasi cerebrali. I metodi statistici impiegati consistono in analisi di regressione lineare multipla, sviluppati ed automatizzati nel pacchetto SPSS (Statistical Package for Social Science) e classificazione grazie ad algoritmi di machine learning, implementati in ambiente R. Le analisi sono state applicate ad un dataset costituito da 64 pazienti inclusi nel progetto VMCI-Tuscany. Le analisi di regressione e classificazione sono state applicate a tre modelli diversi, in funzione delle variabili esplicative considerate: il primo modello è costituito da variabili volumetriche, mentre gli altri due modelli includono anche indici di diffusione cerebrale, quali Mean Diffusivity (MD) e Fractional Anisotropy (FA). I risultati evidenziano l'importanza dell'indice di diffusione MD della sostanza bianca come predittore significativo del deterioramento cognitivo: in particolar modo la sostanza bianca apparentemente normale e la sostanza bianca totale presentano MD simili, mostrando, come, in questa coorte di pazienti, la segmentazione semi-automatica delle lesioni non sia necessaria. L'applicazione di tecniche di machine learning al test MoCA permette di ottenere un coefficiente di correlazione di Pearson tra i punteggi osservati e quelli stimati dall'algoritmo di Support Vector Machine pari a 0.62. I risultati migliori delle analisi di classificazione, invece, corrispondono a valori di sensibilità e di specificità pari al 71.44% e al 80.56% per il test MoCA e valori di sensibilità e di specificità pari al 71.79% e al 72% per il test TMT-A.

La tesi tratta dell'importanza dei controlli di qualità e di sicurezza elettrica che devono essere effettuati per garantire l'integrità nel corso degli anni delle apparecchiature elettromedicali. In particolare ho studiato il funzionamento, i principi fisici e i limiti del pulsossimetro, il dispositivo medico in grado di misurare indirettamente la saturazione dell'ossigeno nel sangue.