Uno Studio Esplorativo sull’Applicazione dell’Apprendimento Automatico Causale nella Terapia Riabilitativa Clinica

Rehabilitation therapy is central to improving functional outcomes after neurological and motor impairments, and clinicians are often required to make careful judgments about which interventions are both appropriate and effective. This thesis explores how causal machine learning can be applied to rehabilitation data to assess the effectiveness of therapies and pharmacological treatments to recovery. Electronic health records from 775 patients admitted to the Neuromotor Rehabilitation Department of IRCCS Maugeri Hospital (2023–2025) were transformed into a unified analytic dataset through preprocessing steps that included data harmonization and feature engineering. Bayesian networks were developed to represent dependencies among variables describing patient characteristics, interventions, and functional outcomes. The analysis was conducted in two phases. In the observational phase, conditional probability tables were used to quantify associations across the entire cohort and within subgroups, revealing distinct differences between neurological and spinal patients. In the interventional phase, therapeutic and pharmacological assignments were simulated using the do-operator, and the resulting outcome distributions were summarized through expected utility values. Whereas high-intensity physiotherapy appears to be associated with improved functional outcomes—albeit in a non-linear manner—speech therapy and psychological interventions seem to provide more moderate benefits. Conversely, the administration of antidepressants and antiepileptics appears to be linked to neutral or slightly unfavorable outcome profiles. The results thus obtained are exploratory in nature and should be interpreted with caution. They illustrate how probabilistic causal models may support hypothesis assessment in contexts where direct experimental approaches are not readily applicable. Future research might aim to extend this framework to longitudinal data, larger cohorts, and patient-level counterfactual analyses via deep learning methods.

La terapia riabilitativa riveste un ruolo centrale nel miglioramento degli esiti funzionali in seguito a compromissioni neurologiche e motorie, e i clinici sono spesso chiamati a formulare valutazioni ponderate circa le modalità di intervento più appropriate ed efficaci. Questa tesi esamina l’applicazione di tecniche di apprendimento automatico causale a dati clinici con l’obiettivo di valutare l’efficacia delle terapie riabilitative e dei trattamenti farmacologici nel percorso di recupero. Sono state raccolte, preprocessate e uniformate le cartelle cliniche elettroniche di 775 pazienti ricoverati presso il Dipartimento di Riabilitazione Neuromotoria dell’IRCCS Maugeri di Pavia nel triennio 2023–2025, costruendo un dataset analitico unificato mediante procedure di standardizzazione e trasformazione delle variabili. Le dipendenze tra le caratteristiche dei pazienti, gli interventi e i risultati funzionali sono state modellate tramite reti bayesiane. L’analisi si è articolata in due fasi: una fase osservazionale, basata su tabelle di probabilità condizionata per descrivere associazioni nel campione complessivo e nei sottogruppi, e una fase interventistica, in cui il do-operator è stato impiegato per simulare assegnazioni terapeutiche e farmacologiche, sintetizzando gli esiti mediante valori di utilità attesa. I risultati mostrano come un’elevata intensità di fisioterapia sia associata a maggiori progressi funzionali, sebbene con un andamento non lineare, mentre logopedia e supporto psicologico evidenziano benefici più moderati. Viceversa, la somministrazione di antidepressivi e antiepilettici sembra essere associata a profili di esito neutri o lievemente sfavorevoli. Tali evidenze, di natura esplorativa e da interpretare con cautela, dimostrano come i modelli causali probabilistici possano costituire uno strumento utile per la generazione di ipotesi e per l’analisi dei dati clinici in contesti complessi, dove la realizzazione di studi sperimentali controllati non è facilmente attuabile. In prospettiva, la ricerca potrà essere ampliata includendo dati longitudinali, campioni più ampi, analisi controfattuali a livello individuale e l’impiego di metodi di deep learning.