strumenti di spiegabilità applicati a modelli di machine learning per prevedere la riammissione ospedaliera

Hospital readmission within 30 days of discharge is a clinically consequential and partly preventable phenomenon. This thesis develops and interprets machine learning models for predicting 30-day readmission risk using routinely collected, pre-discharge data from MIMIC-IV, a large electronic health record database from a single academic medical centre. A cohort of 488,552 admissions is assembled from five complementary predictor categories — demographic and social, admission-related, laboratory, medication-based, and comorbidity — and six models of increasing complexity are compared under a temporal validation scheme that evaluates each on a chronologically later, previously unseen period. XGBoost achieves the best discrimination (PR AUC 0.384), outperforming linear baselines, a single classification tree, Random Forest, and a feed-forward neural network. Beyond performance benchmarking, a layered interpretability analysis — combining permutation feature importance, accumulated local effects, SHAP, and a regional LASSO surrogate — examines how the best model reasons. The analysis reveals that key predictors such as age, comorbidity burden, medication count, and laboratory markers operate not in isolation but in combination, with the model amplifying the polypharmacy risk signal for patients presenting with high comorbidity, prolonged stays, and signs of physiological instability near discharge. The principal contribution of this work lies in demonstrating that interpretability tools can progress from a global ranking of feature relevance toward a granular, context-dependent account of model behaviour — mapping where predictions can and cannot be trusted. This thesis explores this tradeoff by evaluating a spectrum of predictive models, ranging from traditional logistic regression to advanced ensemble methods. By applying explainability techniques, the study demonstrates how the predictive strength of opaque algorithms can be reconciled with the need for clinical interpretability. The results highlight that understanding the internal logic of a model is not only a technical requirement but a clinical necessity to ensure safety and trust in automated healthcare systems.

Il ricovero ospedaliero ripetuto entro 30 giorni dalla dimissione rappresenta un fenomeno clinicamente rilevante e in parte prevenibile. Questa tesi sviluppa e interpreta modelli di machine learning per la previsione del rischio di riammissione a 30 giorni, utilizzando dati raccolti routinariamente prima della dimissione da MIMIC-IV, un ampio database di cartelle cliniche elettroniche proveniente da un singolo centro ospedaliero universitario. Una coorte di 488.552 ricoveri è costruita a partire da cinque categorie di predittori — demografici e sociali, legati al ricovero, misurazioni di laboratorio, farmacologici e indice di comorbidità — e sei modelli di crescente complessità sono confrontati tramite una validazione temporale che valuta ciascuno su un periodo cronologicamente successivo e mai osservato in fase di addestramento. XGBoost ottiene la migliore discriminazione (PR AUC 0,384), superando i modelli lineari, un albero decisionale singolo, Random Forest e una rete neurale feed-forward. Oltre alla valutazione delle prestazioni, un'analisi stratificata di interpretabilità — che combina permutation feature importance, accumulated local effects, SHAP e un surrogato LASSO regionale — esamina la logica decisionale del modello migliore. L'analisi rivela che predittori chiave come età, carico di comorbidità, numero di farmaci e marcatori di laboratorio agiscono non singolarmente ma in combinazione: il modello amplifica il segnale di rischio legato alla polifarmacia nei pazienti con elevata comorbidità, ricoveri prolungati e segni di instabilità fisiologica prossima alla dimissione. Il contributo principale di questo lavoro consiste nel dimostrare che gli strumenti di interpretabilità possono procedere da una classificazione globale della rilevanza delle variabili verso una descrizione granulare e contestuale del comportamento del modello — identificando dove le previsioni possono e non possono essere considerate affidabili. Questa tesi esplora tale compromesso valutando uno spettro di modelli predittivi, dalla regressione logistica tradizionale ai metodi ensemble avanzati. Attraverso l'applicazione di tecniche di spiegabilità, lo studio dimostra come la potenza predittiva di algoritmi opachi possa essere conciliata con la necessità di interpretabilità clinica. I risultati evidenziano che comprendere la logica interna di un modello non è solo un requisito tecnico, ma una necessità clinica per garantire sicurezza e fiducia nei sistemi sanitari automatizzati.