Previsione delle malattie tramite l’apprendimento automatico

'Modelli di apprendimento automatico per ottimizzare le prestazioni del classificatore ai fini della previsione precoce della malattia' La metodologia ingegneristica e informatica alla base del progetto colma le lacune critiche nei modelli diagnostici medici attraverso un flusso di lavoro articolato in più fasi: i dati clinici ad alta dimensionalità (come le cartelle cliniche complesse dei pazienti) spesso introducono rumore computazionale e la cosiddetta 'maledizione della dimensionalità'. La ricerca utilizza metodologie ingegneristiche specializzate - combinando tecniche quali l’Analisi delle Componenti Principali (PCA) e la selezione su misura delle caratteristiche - per semplificare i set di dati riducendoli ai fattori di rischio statisticamente più significativi. Prima che avvenga la classificazione, il framework integra tecniche di apprendimento automatico non supervisionato, come il clustering K-means ottimizzato, per individuare modelli nascosti e segmentare in modo naturale le strutture dei dati clinici. Il contributo principale della tesi verte sulla progettazione di modelli specifici volti a ottimizzare l’accuratezza, la sensibilità e le prestazioni di esecuzione dei classificatori standard di apprendimento automatico supervisionato. Attraverso la messa a punto di questi classificatori matematici sottostanti, il sistema riduce al minimo i falsi positivi e i falsi negativi.