Monitoraggio della termoregolazione neonatale in contesto ospedaliero: verso un approccio integrato e non invasivo

La termoregolazione, ovvero la capacità di mantenere una temperatura adeguata, è una questione di notevole interesse e complessità nella comunità scientifica nell'ambito della neonatologia. Nei primi istanti di vita i neonati, sia pre-termine che a termine, presentano sistemi di regolazione della temperatura immaturi che li rendono vulnerabili alle condizioni subottimali extra-uterine. Questa tesi, svolta presso il Laboratorio Segnali e Immagini dell'Istituto di Scienze e Tecnologie dell'Informazione del CNR di Pisa, propone di monitorare, in contesto ospedaliero, mediante un sistema integrato e non invasivo, le variazioni di temperatura del neonato nelle prime ore di vita. L’obiettivo è quello di preparare il terreno per uno studio più ampio che, attraverso l’acquisizione e la valutazione di pattern termici sul neonato, sarà in grado di valutare lo stato patologico del neonato. Inoltre, verrà valutato se la stabilizzazione termica possa essere migliorata con l’attuazione di una pratica, nota come contatto pelle a pelle (SSC), tra madre e neonato, o eventualmente tra padre e neonato. L’ hardware del dispositivo è stato realizzato dal Centro di Formazione e Simulazione Neonatale (centro NINA) dell'Azienda Ospedaliero Universitaria Pisana. L'idea di monitorare i pattern termici di un neonato in maniera non invasiva si è tradotta in un dispositivo estremamente compatto e portatile, costituito da: (i) una termocamera, mediante la quale acquisire le immagini termiche del neonato, (ii) una telecamera rgb per acquisire le immagini del neonato nello spettro del visibile, estrarre lo scheletro per definire automaticamente i distretti anatomici di interesse, (iii) un sensore per la misurazione puntuale della temperatura, (iv) un sensore di umidità e temperatura ambientale per monitorare le condizioni ambientali della stanza in cui si trova il neonato, (v) un Raspeberry Pi per la gestione e l'integrazione di questi componenti nonchè l'estrazione e la pre-elaborazione dei dati. Il Software di controllo ed elaborazione sviluppato in questa tesi è stato scritto in linguaggio Python (v. 3.11) e gestisce gli stati del sistema, in particolare l’acquisizione sincrona di immagini termiche ed RGB, l’estrazione di dati e l’anonimizzazione delle immagini RGB dei neonati. L’elaborazione delle immagini RGB viene effettuata in locale dal Raspberry e comprende l’estrazione automatica delle regioni anatomiche di interesse (ROI) mediante tecniche allo stato dell’arte (i.e., libreria MediaPipe). Successivamente, queste ROI vengono trasposte sulle corrispondenti immagini termiche tramite una matrice di trasformazione omografica opportunamente calibrata tenendo in considerazione il vincolo rigido tra le due camere e le rispettive distanze focali. Queste ROI prendono come riferimento per il punto centrale il landmark estratto e come raggio le proporzioni tra due landmarks vicini e le dimensioni stimate del distretto anatomico di interesse. Esse rappresentano il punto di partenza dell’elaborazione delle immagini termiche. Dopo una fase iniziale di pre-processing, in cui il rumore di fondo è stato eliminato con varie tecniche di filtraggio, il contrasto tra le varie regioni è stato aumentato. Questo processo è stato propedeutico all’estrazione degli istogrammi, il cui andamento fornisce informazioni sulla presenza o meno di sfondo. Se lo sfondo è presente, viene avviato il segmentatore FastSAM, basato su una rete neurale convolutiva (CNN) allo stato dell'arte, che segmenta il distretto anatomico per evitare di includere lo sfondo nell’elaborazione. Un’interfaccia utente user-friendly ha permesso di gestire i landmarks provenienti dallo scheletro e di realizzare in maniera completamente automatica delle regioni di interesse (ROI) adattive sull’immagine termica. Dalla singola ROI sono state estratte dei pattern termici e delle features che estendessero quelle tradizionali come mediana e intervallo interquartile attraverso l’implementazione di una matrice di texture che deriva da descrittori matematici quantitativi di texture (della famiglia GLSZM- Gray level size zone matrix) che forniscono informazioni sull’eterogeneità termica delle ROI. La matrice è stata utile per estrarre un punteggio (score) da attribuire alla singola ROI evidenziando come un paziente con vaste aree di temperatura accettabile avesse un punteggio maggiore rispetto ad un paziente con zone molte fredde ed un’alta variabilità nella temperatura. Infine, sono state definite anche delle features a livello globale che mettono in relazione le misure ottenute dalla ROI sul viso (riferimento clinico neonatale) con quelle sul torace e sugli arti. Il sistema è stato validato prima in un contesto sperimentale controllato, la validazione finale e la conseguente acquisizione di dati sono avvenute in ambito ospedaliero, nel reparto di neonatologia dell'Azienda Ospedaliera Universitaria Pisana, utilizzando un fantoccio che simulava il comportamento termico di un neonato.