Sfruttamento dei fascicoli sanitari personali per la predizione precoce del rischio di insufficienza cardiaca attraverso modelli basati su intelligenza artificiale

Questo studio affronta una sfida clinica rilevante nell'ambito della medicina cardiovascolare, dove l'insufficienza cardiaca rappresenta una delle principali cause di morbilità e mortalità globale. La metodologia adottata prevede un approccio sistematico all'ottimizzazione di modelli predittivi, partendo da un'architettura neurale semplice (MLP con due strati nascosti di 10 e 5 neuroni) sottoposta a 1000 epoche di addestramento, per poi procedere verso una comparazione strutturata con algoritmi di machine learning consolidati. Il campione di 1025 pazienti fornisce una base dati di dimensioni moderate ma adeguata per validazioni incrociate. La selezione di 12 parametri clinici e demografici rappresenta un equilibrio tra completezza informativa e praticabilità clinica. Il protocollo di validazione mediante grid search con cross-validazione a 5 fold garantisce robustezza nelle stime di performance e riduce il rischio di overfitting. I risultati numerici rivelano un miglioramento drammatico dopo l'ottimizzazione: Random Forest emerge come algoritmo superiore con ROC-AUC di 0,959 (intervallo di confidenza 95%: 0,924-0,986) e accuratezza del 89%, indicando capacità discriminativa eccellente tra pazienti a rischio e non a rischio. La MLP ottimizzata raggiunge ROC-AUC di 0,830 (0,763-0,893), mostrando plasticity nell'apprendimento rispetto alla versione originaria e prestazioni comparabili a Logistic Regression (0,824) e SVM (0,842). Nel contesto della letteratura esistente, questi risultati si allineano con studi precedenti che dimostrano l'efficacia dei modelli ensemble nella predizione cardiovascolare, sebbene il performance di Random Forest suggerisca vantaggi nell'handling di relazioni non-lineari e interazioni complesse nei dati clinici. L'integrazione con i fascicoli sanitari personali apre prospettive concrete verso la medicina personalizzata scalabile, permettendo stratificazione del rischio più accurata e interventi preventivi tempestivi.