Data

Introduzione al corso

Lezione 1

Introduzione al corso.

1) Il concetto di biomarcatore

Concetti preliminari: fenotipo, genotipo e fenotipizzazione.

Il concetto di fenotipizzazione digitale: definizione di Torous et al. e Jain et al., con esempi.

Fenotipizzazione digitale e tecnologie indossabili.

Lezione 2

Vantaggi e sfide attuali della fenotipizzazione digitale.

Definizione di biomarcatore tradizionale secondo la FDA-NIH BEST resource.

Categorie di biomarcatori tradizionali.

Lezione 3 - parte 1

Lezione 3 - parte 2

Biomarcatori digitali: definizioni più comuni, classificazioni e potenzialità.

Biomarcatori tradizionali vs. biomarcatori digitali: vantaggi e svantaggi.

Biomarcatori e medicina di precisione.

2) Biomarcatori digitali di funzionalità cardiaca

Cenni sugli aspetti fisiologici alla base dell'origine del segnale ECG e relative onde.

Lezione 4

Introduzione all'elettrocardiografia e all'acquisizione del segnale ECG a 12 derivazioni: modello a singolo dipolo, derivazioni bipolari, aumentate e precordiali.

Esempi di dispositivi atti all'acquisizione del segnale ECG basati su differenti posizionamenti.

Lezione 5

Elaborazione del segnale ECG: banda utile e linee guida per il suo processamento, in particolare per finalità diagnostiche.

Seminario sull'utilizzo di tecniche di elaborazione avanzata dei segnali e AI per il trattamento personalizzato delle tachicardie ventricolari post-ischemiche in procedure interventistiche.

Lezione 6

Frequenza cardiaca e sue alterazioni.

Caratteristiche di interesse del tracciato ECG e loro alterazioni in condizioni fisiologiche e patologiche (cenni).

Lezione 7

Analisi dei principali biomarcatori digitali derivabili dal segnale ECG. 

Tecniche di estrazione di biomarcatori digitali a partire dal segnale ECG: QRS detection mediante l'algoritmo di Pan-Tompkins. 

Metriche per la valutazione delle prestazioni di algoritmi di QRS detection. 

Esercitazione 1: Identificazione dei picchi R tramite una versione modificata dell’algoritmo di Pan–Tompkins.

Lezione 8

Esercitazione 1: Rappresentazione dei picchi R nel dominio del tempo e stima quantitativa delle prestazioni dell'algoritmo di QRS detection fornito. Estrazione degli intervalli RR e dell'heart rate (istantanei e medi). 

Il coefficiente di correlazione per l'identificazione dei battiti anomali.

La rappresentazione delle distribuzioni mediante boxplot.

Lezione 9

Esercitazione 1: Rappresentazione delle distribuzioni degli intervalli RR istantanei mediante boxplot. Creazione di un battito mediano a partire dai singoli battiti del tracciato.

Lezione 10

Esercitazione 1: Identificazione dei battiti anomali mediante l'utilizzo del coefficiente di correlazione di Pearson. Estrazione dei tacogrammi dai tracciati ECG.

Introduzione alla trasformata wavelet e all'analisi tempo-scala.

La trasformata wavelet continua e discreta.

Lezione 11

La trasformata wavelet discreta: il concetto di approssimazione e dettaglio.

La trasformata wavelet discreta decimata e stazionaria: differenze e implicazioni in termini di tempo-invarianza, con esempi pratici su MATLAB.

Lezione 12

La delineazione del segnale ECG: l'algoritmo di Martinez et al.

Esercitazione 2: Delineazione di tracciati ECG mediante l'algoritmo di Martinez et al. e successiva estrazione di parametri di interesse.

Conclusioni sui biomarcatori digitali derivabili dal segnale ECG.

Lezione 13

Introduzione al fonocardiogramma e relativi biomarcatori.

La segmentazione del segnale PCG mediante algoritmi basati su ulteriori segnali di riferimento.

La segmentazione del segnale PCG basata su inviluppo: l'algoritmo di Liang et al.

Lezione 14 - parte 1

Lezione 14 - parte 2

Tecniche di analisi del PCG nel dominio del tempo e della frequenza, con relative applicazioni.

Esercitazione 3: estrazione del periodo sistolico e diastolico (istantaneo e medio) e calcolo dell'heart rate (istantaneo e medio) a partire dalle annotazioni dei toni S1 e S2; calcolo del pattern di intensità dei segnali PCG mediante inviluppo e RMS.

Conclusioni sui biomarcatori digitali derivabili dal segnale PCG.

Introduzione agli elettrogrammi, alla loro interpretazione e registrazione.

Lezione 15

Il concetto di mappa elettroanatomica.

L'acquisizione degli elettrogrammi nei sistemi di mappaggio: campionamento e filtraggi.

Elettrogrammi unipolari e bipolari: limiti e potenzialità,

Intervalli di base valutati negli studi elettrofisiologici (in ritmo sinusale).

Stima del tempo di attivazione locale e del voltaggio.

Lezione 16 - parte 1

Lezione 16 - parte 2

Il ruolo della frammentazione negli elettrogrammi, in particolare nelle tachicardie ventricolari post-ischemiche e nella fibrillazione atriale.

Analisi in frequenza degli elettrogrammi atriali (frequenza dominante e organization index).

Analisi della complessità degli elettrogrammi atriali: il concetto di quantità di informazione e la definizione di entropia di Shannon, con relativi esempi applicativi.

Conclusioni sui biomarcatori digitali derivabili dagli elettrogrammi.

3) Biomarcatori digitali per lo studio del sistema nervoso autonomo

Introduzione all'analisi dell'heart rate variability (HRV) e principali scenari applicativi.

Attività autonomica e HRV: il ruolo del sistema nervoso simpatico e parasimpatico.

Definizione del tacogramma e requisiti necessari per una sua stima corretta.

Analisi di HRV nel dominio del tempo: indici di base e statistici e loro interpretazione.

Lezione 17

Analisi di HRV nel dominio del tempo: indici geometrici e loro interpretazione.

Analisi di HRV nel dominio della frequenza: requisiti e accorgimenti per una corretta stima spettrale del tacogramma; definizione degli indici spettrali e loro interpretazione.

Esercitazione 4: Calcolo dei principali indici di HRV nel dominio del tempo in MATLAB.

Lezione 18

Esercitazione 4: Il ricampionamento del tacogramma mediante interpolazione e il calcolo dei principali indici di HRV nel dominio della frequenza in MATLAB.

L'analisi di HRV mediante metodi non lineari: il diagramma di Poincaré e relative metriche, la detrended fluctuation analysis (DFA) e relative metriche, l'approximate entropy e la sample entropy, la complessità di Lempel-Ziv.

HRV come biomarcatore del benessere fetale: introduzione.

Lezione 19 - parte 1

Lezione 19 - parte 2

HRV come biomarcatore del benessere fetale: cenni all'uso dei principali sistemi elettronici di monitoraggio cardiaco fetale.

L'attività elettrodermica (EDA) come indicatore di attività del sistema nervoso autonomo.

Conclusioni sui biomarcatori digitali per la valutazione dell'attività autonomica.

4) Biomarcatori digitali neurofisiologici

Introduzione all'elettroencefalografia e al suo utilizzo in scenari clinici.

La registrazione del segnale EEG: montaggi, referenziamenti, interferenze tipiche e condizionamento.

L'analisi spettrale del segnale EEG: ritmi basali (e altri ritmi) quali biomarcatori spettrali; il ruolo delle componenti aperiodiche.

Lezione 20

L'analisi del segnale EEG: indici nel tempo e non lineari.

L'analisi EEG per lo studio del sonno: polisonnografia, fasi del sonno, macrostruttura del sonno e ipnogramma (con relativi indici).

I potenziali evocati: caratteristiche, tecniche di estrazione e convenzioni; potenziali evocati uditivi (BAEP, P300), somatosensoriali e visivi.

L'analisi di connettività e teoria dei grafi applicata all'EEG per l'identificazione di biomarcatori digitali (cenni): il concetto di connettività e sue accezioni; descrizione della network mediante teoria dei grafi, definizione di nodi e delle loro connessioni; grafi orientati e non orientati, pesati e non pesati; matrici di connettività e principali metriche di connettività: PLV, PLI e informazione mutua; principali metriche di rete e loro ruolo (integrazione, segregazione, centralità, small-worldness).

Conclusioni sui biomarcatori neurofisiologici derivati dall'attività EEG spontanea e evocata.

Soluzione

Materiale esercitazione 1

Segnali ECG per DWT

Materiale esercitazione 2

Materiale esercitazione 3

Materiale esercitazione 4