Modelli di Land Use Regression per la predizione di valori di inquinanti atmosferici e la definizione di traiettorie di esposizione in contesti urbani

Questo elaborato rientra nell’ambito del progetto Europeo “BRAINTEASER” (BRinging Artificial INTelligencE home for a better cAre of amyotrophic lateral sclerosis and multiple SclERosis) gestito da un consorzio internazionale composto da diversi istituti clinici e di ricerca Europei. Questo progetto pone la sua attenzione sui pazienti affetti da Sclerosi Laterale Amiotrofica (SLA) e Sclerosi Multipla (SM), malattie croniche caratterizzate da un progressivo deterioramento delle funzioni neurologiche (motorie, sensoriali, visive, cognitive). Entrambe le patologie sono caratterizzate da fasi acute che si susseguano definendo diversi pattern di progressione, caratterizzando i fenotipi di malattia. Le caratteristiche di queste patologie comportano che i pazienti debbano affrontare periodi di cure più intense, includendo la necessità di essere ricoverati, durante le fasi acute, quindi dovendo sostenere un peso economico e psicologico che coinvolge anche i caregiver che li assistono. Il personale sanitario necessita di strumenti adatti per l’erogazione delle cure in ognuna delle fasi del trattamento, suggerendo percorsi terapeutici personalizzati e individuando tempestivamente i momenti critici in cui intervenire. L’intelligenza artificiale ha le potenzialità per supportare pazienti, caregiver e personale clinico in tutte queste sfide: I) descrivere al meglio la patologia; II) stratificare i pazienti a seconda del loro fenotipo valutato durante l’evoluzione della malattia; III) predire la progressione di questa; IV) investigare l’impatto dell’ambiente sui pazienti; V) suggerire azioni che possano rallentare la progressione della malattia. Numerosi studi scientifici hanno confermato l’effetto che ha l’inquinamento atmosferico sulla salute. Uno degli obiettivi del progetto BRAINTEASER è l’effetto di inquinanti atmosferici sulla progressione di SLA e SM. A tal proposito, questo elaborato riporta presenta un modello di Land Use Regression, un particolare algoritmo di regressione geostatistico che può essere impiegato per poter valutare e predire l’inquinamento atmosferico in maniera puntuale, utilizzando come covariate variabili ambientali, tra cui la morfologia dell’ impianto urbano, l’utilizzo del suolo e variabili metereologiche. L’obiettivo è quello di fornire una stima precisa della quantità di inquinante in ogni punto della città, al fine di calcolare l’esposizione di ogni paziente e poterla correlare con la prognosi della loro malattia. Il progetto presentato in questa tesi è stato sviluppato nella città di Pavia. Il primo passo è stato quello di creare una rappresentazione a grafo del reticolo urbano (strade e incroci). L’idea è quella di utilizzare i dati raccolti da una fitta rete di sensori già installati nella città di Pavia. I dati di inquinamento atmosferico registrati, una volta pre-processati e memorizzati, sono stati interpolati in tutti i nodi della rete creata, considerando sia le variabili ambientali raccolte, sia il loro andamento temporale. Successivamente, sono stati confrontati diversi algoritmi di Machine Learning per la predizione dei valori di inquinamento: regressione lineare, semplice e con regolarizzazione, random forest, gradient boosting e support vector. Sono inoltre stati utilizzati modelli ad effetti misti per considerare la intra-variabilità di ogni sensore nel tempo. Tramite gli algoritmi di Land Use Regression, è stato possibile valutare l’inquinamento in diversi istanti di tempo e con una precisa granularità spaziale. I modelli così ottenuti sono la base per stimare la quantità di inquinante atmosferico a cui i pazienti sono esposti, e quindi correlare i profili di esposizione con la progressione della patologia.