Prevedere le conseguenze a lungo termine del COVID19 grazie al machine learning. Premiato a Roma lo studio dei ricercatori del DISIT

Marco Dossena e Christopher Irwin, studenti nel dottorato nazionale in Artificial Intelligence and Healthcare presso il Dipartimento di Scienze e innovazione tecnologica (sezione di Informatica), hanno ottenuto il Best Student Paper Award alla ventiduesima International Conference of the Italian Association for Artificial Intelligence (Roma, 6-9 novembre 2023) per l’articolo (peer reviewed): “A multi-label classification study for the prediction of long-Covid syndrome” (leggi), scritto in collaborazione con i loro supervisori Luigi Portinale e Luca Piovesan. La conferenza è il principale evento scientifico in Italia dedicato alla ricerca in Intelligenza Artificiale e ha visto la partecipazione di circa 450 persone.

Lo studio dei ricercatori del DISIT si è concentrato sulla previsione delle conseguenze a lungo termine del COVID-19 attraverso un tipo di classificazione cosiddetta multi-etichetta (Multi Label Classification, MLC). Per farlo Dossena e Irwin hanno raccolto dati relativi a oltre 300 pazienti durante uno studio a lungo termine sul COVID-19 presso l'Azienda Ospedaliero-Universitaria “Maggiore della Carità” di Novara, considerando sia la loro situazione iniziale sia la loro condizione all'esordio dei sintomi più acuti di COVID-19. 

«L'obiettivo dello studio — spiegano Dossena e Irwin — è quello di prevedere la presenza di specifiche conseguenze a lungo termine causate dal virus in un controllo (follow-up) a un anno dall’infezione. Per amplificare la rappresentatività dell’analisi, abbiamo esaminato attentamente la possibilità di ampliare la base di dati a nostra disposizione, considerando situazioni in cui potrebbero verificarsi diversi livelli di complicazioni. Grazie alle possibilità messe a disposizione dal machine learning abbiamo utilizzato MLSmote ((Multi-Level Synthetic Minority Over-sampling Technique) con diverse strategie di aumento dei dati, per migliorare la capacità del nostro modello di apprendere dalle classi a minor rappresentanza.»

I risultati ottenuti sono stati successivamente valutati in termini di accuratezza valutando diverse metriche utilizzate nella MLC. «La nostra ricerca — concludono i Ricercatori — mette in evidenza che i metodi MLC possono effettivamente essere utili per la previsione di specifiche conseguenza a lungo termine del COVID-19, nelle diverse condizioni rappresentate dai diversi dataset considerati.»