Biomarcatori non invasivi e modelli predittivi per il supporto alla diagnosi e alla prognosi nelle patologie cardiovascolari e neurovascolari

Cardiovascular and neurovascular diseases are among the leading causes of morbidity, mortality, and long-term disability worldwide, posing a major burden on healthcare systems and societies. Despite remarkable advancements in prevention, diagnostics, and acute care, early diagnosis and personalized outcome prediction remain challenging, particularly in complex cases or when traditional diagnostic tools fall short. In the cardiovascular domain, ischemic heart disease (IHD) and dilated cardiomyopathy (DCM) represent two of the most prevalent and clinically challenging conditions. However, this remains difficult in many cases, especially when left ventricular ejection fraction (LVEF) lies within the so-called "grey zone" (40–50%), in which both DCM and IHD can present overlapping echocardiographic profiles. Parallel to cardiac disorders, cerebrovascular diseases, particularly ischemic strokes, continue to rank among the top causes of death and disability globally. One of the major challenges in stroke management lies in accurately predicting long-term functional outcomes. Considering the pathophysiological insights and clinical challenges in both the cardiovascular and neurovascular domains, this PhD thesis aimed to identify predictive biomarkers derived from image and signal processing of non-invasively acquired biosignals and bioimages, to support clinicians in improving patient management. Furthermore, interpretable machine learning (ML) techniques were employed to develop predictive models for enhanced diagnosis, outcome prediction, and patient characterization. The findings demonstrate that the integration of heart rate variability (HRV) features with myocardial deformation measures, particularly global longitudinal strain (GLS), significantly improves the differential diagnosis between DCM and IHD, even in patients with comparable ejection fraction values. The parameters extracted from the HRV signal were particularly effective in distinguishing DCM and IHD patients with mildly reduced LVEF, highlighting the importance of these features when differential diagnosis becomes even more challenging. In the neurovascular domain, the quantitative EEG provided objective, neurophysiological insights that complemented traditional clinical and imaging assessments, enabling real-time, bedside risk stratification and guiding treatment decisions. ASL-MRI proved especially valuable in detecting perfusion patterns indicative of stroke or stroke mimics in cases of isolated aphasia, where overt neurological signs may be absent and timely etiological clarification is critical. In conclusion, the quantitative analysis of physiological signals such as HRV and EEG, obtained through non-invasive and widely available tools but often underused in clinical practice, combined with advanced imaging techniques and interpretable machine learning models, has shown strong potential to improve the diagnosis, characterization, and prognosis of cardiovascular and neurovascular diseases. This integrated approach may represent a significant step toward more precise, personalized, and effective patient care.

Le malattie cardiovascolari e neurovascolari rappresentano alcune delle principali cause di mortalità e disabilità a lungo termine. Nonostante i significativi progressi registrati negli ultimi anni in ambito preventivo, diagnostico e terapeutico, la diagnosi precoce e la previsione degli esiti funzionali continuano a rappresentare una sfida, in particolare nei casi clinici più complessi o quando gli strumenti diagnostici tradizionali non sono in grado di fornire risposte certe. In ambito cardiovascolare, la cardiopatia ischemica (IHD) e la cardiomiopatia dilatativa (DCM) rappresentano due delle patologie più comuni e, al contempo, tra le più complesse dal punto di vista clinico. Distinguere tra IHD e DCM può risultare particolarmente difficile in alcuni casi, specialmente quando la frazione di eiezione del ventricolo sinistro (LVEF) si trova nella cosiddetta 'grey zone' (40–50%), in cui entrambe le condizioni possono presentare caratteristiche ecocardiografiche sovrapponibili. Parallelamente alle patologie cardiache, anche le malattie cerebrovascolari, in particolare gli ictus ischemici, continuano a rappresentare una delle principali cause di mortalità e disabilità a livello globale. Una delle sfide più rilevanti nella gestione dell’ictus consiste proprio nella capacità di prevedere in modo accurato gli esiti funzionali a lungo termine, elemento cruciale per una pianificazione terapeutica personalizzata e per una migliore gestione del paziente. Alla luce delle condizioni fisiopatologiche e delle sfide cliniche descritte in ambito sia cardiovascolare sia neurovascolare, la presente tesi di dottorato si propone di identificare biomarcatori predittivi ottenuti attraverso l’elaborazione di bioimmagini e biosegnali acquisiti con modalità non invasive, con l’obiettivo di supportare il processo decisionale clinico e migliorare la gestione dei pazienti. A tal fine, sono state adottate tecniche di machine learning interpretabile, finalizzate allo sviluppo di modelli predittivi in grado di migliorare la diagnosi, la previsione degli esiti clinici e la caratterizzazione dei pazienti. I risultati ottenuti dimostrano che l’integrazione dei parametri della variabilità della frequenza cardiaca (HRV) con le misure di deformazione miocardica, in particolare il global longitudinal strain (GLS), consente un significativo miglioramento nella diagnosi differenziale tra DCM e IHD, anche nei pazienti con frazioni di eiezione simili. In particolare, tali parametri si sono dimostrati efficaci nella discriminazione tra DCM e IHD nei soggetti con frazione di eiezione lievemente ridotta, condizione in cui la diagnosi differenziale risulta particolarmente complessa. Nel contesto neurovascolare, l’EEG quantitativo ha fornito informazioni neurofisiologiche oggettive che hanno arricchito le valutazioni cliniche e di imaging tradizionali, permettendo una stratificazione del rischio in tempo reale e contribuendo a orientare le decisioni terapeutiche. La tecnica di risonanza magnetica non invasiva Arterial Spin Labeling (ASL-MRI), invece, si è rivelata particolarmente efficace nell’identificazione di pattern di perfusione cerebrale indicativi di ictus o di stroke mimics nei casi di afasia isolata, in cui i segni neurologici possono risultare assenti o poco evidenti, rendendo essenziale una rapida definizione eziologica. In conclusione, l’analisi quantitativa de segnali fisiologici HRV e EEG, ottenuti mediante strumenti non invasivi, ampiamente disponibili ma spesso sottoutilizzati nella pratica clinica, combinata con tecniche di imaging avanzate e con l’impiego di modelli interpretabili di machine learning, ha dimostrato un rilevante potenziale nel migliorare la diagnosi, la caratterizzazione e la prognosi delle patologie cardiovascolari e neurovascolari. Questo approccio integrato può rappresentare un progresso significativo verso un’assistenza clinica più precisa, personalizzata ed efficace.