Classification of heart pathologies via machine learning and spin glass perspective 



Machine Learning to detect hearth systemic failures

Questa branca della nostra ricerca sviluppa algoritmi statistici per individuare possibili patologie cardiache a partire da registrazioni Holter. In una prima fase, le serie HRV dei battiti cardiaci vengono analizzate e sintetizzate tramite 49 markers di variabilità cardiaca, poi usati come input per addestrare una rete neurale feed-forward multilayer. La rete riesce a distinguere con un’accuratezza fino a circa l’85% pazienti sani da quelli con fibrillazione atriale o scompenso cardiaco.

In una seconda fase, i dati grezzi vengono utilizzati per costruire reti di similarità tra pazienti, le cui proprietà topologiche permettono di discriminare in modo robusto tra soggetti sani e patologici, mostrando un buon accordo con l’approccio basato su rete neurale.

Long-range "glassy" correlations in hearth's dynamics

In questo lavoro si utilizzano strumenti di meccanica statistica per inferire patologie cardiache a partire dai dati di variabilità della frequenza cardiaca registrati tramite Holter 24 ore su un campione di pazienti etichettati clinicamente. Le sequenze degli intervalli tra battiti vengono modellizzate tramite il principio di massima entropia, imponendo vincoli sui primi due momenti e ottenendo così un modello efficace a interazioni a coppie i cui parametri dipendono dallo stato clinico. Il modello riproduce molto bene le distribuzioni osservate nei dati reali, come verificato tramite generazione di dati sintetici. Inoltre, esso è riconducibile a uno spin glass unidimensionale con accoppiamenti a lungo raggio a decadimento in legge di potenza, suggerendo che il rumore 1/f della variabilità cardiaca possa emergere dall’interazione tra sistema parasimpatico e ortosimpatico.