19 Novembre 2026

Psicologia Punto One | Psicologia e Psicologi nel Web

Menu

Menu

SCHEDA SCIENTIFICA2026Studio osservazionale

Apprendimento automatico e attribuzione post-hoc delle caratteristiche per predire gli artefatti da movimento nella risonanza magnetica cardiaca: uno studio di coorte retrospettivo

Titolo originaleMachine Learning and Post-Hoc Feature Attribution for Predicting Cardiac MRI Motion Artifacts: A Retrospective Cohort Study.

Ya Li, Qiuyi Cai, Lin Li, Jianlin Li, Dun Pan, Jian Liu

Journal of visualized experiments : JoVE · 2026

PER COMPRENDERE LO STUDIO

Sintesi in italiano

Lo studio retrospettivo ha analizzato la capacità di prevedere la presenza di artefatti da movimento durante la risonanza magnetica cardiaca (CMR) non sedata, spesso causati da ansia e responsabili di ripetizioni dell'esame con conseguente aumento del carico assistenziale. Sono stati raccolti dati clinici baseline da cinquecentoquattordici pazienti adulti, comprendenti quindici caratteristiche cliniche multidimensionali di natura psicologica e fisiologica. Quattro algoritmi di apprendimento automatico sono stati addestrati e confrontati basandosi sull'area sotto la curva ROC (AUC), con il modello eXtreme Gradient Boosting che ha mostrato la migliore capacità discriminativa (AUC = 0.875). Per favorire l'interpretabilità clinica, è stata impiegata l'analisi SHAP (SHapley Additive exPlanations), che ha evidenziato come ansia di stato (valutata tramite la sottoscala STAI-State), durata massima dell'apnea respiratoria e variabilità della frequenza cardiaca siano principalmente correlati al rischio di artefatti. L'approccio ha inoltre rivelato effetti soglia non lineari, ad esempio un aumento marcato del rischio al superamento del punteggio 45 nella STAI-State, e interazioni complesse tra capacità fisica e claustrofobia. Sebbene limitato dalla natura retrospettiva, questo framework di machine learning interpretabile rappresenta uno strumento promettente per la stratificazione del rischio personalizzato e suggerisce l'opportunità di interventi infermieristici mirati e preventivi basati su predizioni algoritmiche individualizzate.

Sintesi generata con IA. Verifica metodi, risultati e limiti nella pubblicazione originale.

Abstract e pubblicazione originale

L’abstract è consultabile nella fonte originale. Non viene ripubblicato qui perché non risulta verificata una licenza compatibile.

Leggi nella fonte originale ↗

Parole chiave

risonanza magnetica cardiacaartefatti da movimentoansia di statomachine learningeXtreme Gradient Boostinganalisi SHAPSTAI-Statevariabilità della frequenza cardiacaapneaclaustrofobiastratificazione del rischiointerventi infermieristici

Come citare questo studio

Ya Li, Qiuyi Cai, Lin Li, Jianlin Li, Dun Pan, Jian Liu. (2026). Machine Learning and Post-Hoc Feature Attribution for Predicting Cardiac MRI Motion Artifacts: A Retrospective Cohort Study.. Journal of visualized experiments : JoVE. DOI: 10.3791/72876

Consulta la pubblicazione originale ↗